{"id":7633,"date":"2026-10-14T18:02:15","date_gmt":"2026-10-14T18:02:15","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-effectuer-analyse-univariee-python-exemples\/"},"modified":"2026-10-14T18:02:15","modified_gmt":"2026-10-14T18:02:15","slug":"comment-effectuer-analyse-univariee-python-exemples","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-effectuer-analyse-univariee-python-exemples","title":{"rendered":"Comment effectuer une analyse univari\u00e9e en Python (avec exemples)"},"content":{"rendered":"

L’exploration m\u00e9thodique des donn\u00e9es constitue le socle fondamental sur lequel repose l’ensemble de l’\u00e9difice de la science des donn\u00e9es contemporaine, de la mod\u00e9lisation \u00e9conom\u00e9trique et de l’inf\u00e9rence statistique. Avant d’envisager le d\u00e9ploiement d’architectures d’apprentissage automatique sophistiqu\u00e9es, de r\u00e9seaux neuronaux profonds ou de r\u00e9gressions multivari\u00e9es complexes, le chercheur ou le praticien de la donn\u00e9e doit imp\u00e9rativement s’astreindre \u00e0 une auscultation minutieuse et individualis\u00e9e de chaque dimension composant son univers d’analyse. Cette d\u00e9marche d’investigation granulaire, d\u00e9sign\u00e9e sous le terme d’analyse univari\u00e9e, s’inscrit au c\u0153ur de la philosophie de l’analyse exploratoire des donn\u00e9es<\/a> (EDA) conceptualis\u00e9e par John Tukey, qui pr\u00e9conisait une approche indiciaire et visuelle de la statistique, lib\u00e9r\u00e9e des postulats probabilistes rigides pr\u00e9alables.<\/p>\n

Au sein de l’\u00e9cosyst\u00e8me open-source contemporain, le langage de programmation Python<\/a> s’est impos\u00e9 comme le standard de facto pour mener \u00e0 bien ces investigations quantitatives et qualitatives. Gr\u00e2ce \u00e0 une collection harmonieuse de biblioth\u00e8ques scientifiques hautement optimis\u00e9es \u2014 notamment Pandas, NumPy, SciPy, Statsmodels, Matplotlib et Seaborn \u2014, Python offre une expressivit\u00e9 syntaxique exceptionnelle alli\u00e9e \u00e0 des performances de calcul vectoris\u00e9 de premier ordre. Cet \u00e9cosyst\u00e8me permet de d\u00e9composer chaque variable en ses composantes fondamentales : identifier sa position centrale, mesurer l’ampleur de sa variabilit\u00e9, sonder la morphologie de sa distribution, d\u00e9tecter ses \u00e9l\u00e9ments atypiques et v\u00e9rifier son ad\u00e9quation aux distributions th\u00e9oriques de r\u00e9f\u00e9rence.<\/p>\n

Le pr\u00e9sent trait\u00e9 constitue une monographie exhaustive d\u00e9di\u00e9e \u00e0 l’art et \u00e0 la pratique de l’analyse univari\u00e9e en Python. Con\u00e7u tant pour les chercheurs acad\u00e9miques exigeant une rigueur m\u00e9thodologique sans faille que pour les ing\u00e9nieurs en donn\u00e9es confront\u00e9s \u00e0 des environnements de production complexes, ce guide explore de mani\u00e8re syst\u00e9matique l’ensemble des concepts th\u00e9oriques, des algorithmes computationnels et des conventions d’interpr\u00e9tation empirique. \u00c0 travers des formulations math\u00e9matiques rigoureuses, des analyses critiques d’impl\u00e9mentation et des recommandations conformes aux standards de publication scientifique internationaux, cet ouvrage fournit les cl\u00e9s n\u00e9cessaires pour transformer des s\u00e9ries de donn\u00e9es brutes en connaissances analytiques solides et reproductibles.<\/p>\n

1. 1. Introduction \u00e0 l’analyse univari\u00e9e et fondements m\u00e9thodologiques<\/h2>\n

1.1 D\u00e9finition et importance de l’analyse univari\u00e9e<\/h3>\n

L’\u00e9tymologie du terme \u00ab univari\u00e9 \u00bb puise ses racines dans la juxtaposition du pr\u00e9fixe latin uni-<\/em> (signifiant un seul) et de la notion de variable, d\u00e9signant litt\u00e9ralement l’\u00e9tude analytique d’une caract\u00e9ristique observable unique au sein d’une population ou d’un \u00e9chantillon d\u00e9termin\u00e9. Contrairement aux d\u00e9marches bivari\u00e9es ou multivari\u00e9es, qui s’attachent \u00e0 d\u00e9cortiquer les relations de d\u00e9pendance, les corr\u00e9lations lin\u00e9aires, les causalit\u00e9s ou les structures de covariance entre plusieurs dimensions simultan\u00e9es, l’analyse univari\u00e9e fait abstraction d\u00e9lib\u00e9r\u00e9e de toute interaction externe. Son objectif \u00e9pist\u00e9mologique exclusif consiste \u00e0 d\u00e9crire, synth\u00e9tiser et comprendre la structure intrins\u00e8que, la dispersion et les propri\u00e9t\u00e9s probabilistes de la variable \u00e9tudi\u00e9e, prise isol\u00e9ment dans son contexte empirique.<\/p>\n

Dans le flux de travail de l’analyse exploratoire des donn\u00e9es (EDA), l’analyse univari\u00e9e occupe un r\u00f4le pivot et ind\u00e9boulonnable. Elle constitue la premi\u00e8re ligne de d\u00e9fense de l’analyste contre les illusions statistiques, les biais d’\u00e9chantillonnage et les anomalies de mesure. Une mod\u00e9lisation pr\u00e9dictive pr\u00e9matur\u00e9e, men\u00e9e sans une compr\u00e9hension univari\u00e9e approfondie, expose in\u00e9vitablement le chercheur au risque d’int\u00e9grer des pr\u00e9dicteurs vici\u00e9s, caract\u00e9ris\u00e9s par une asym\u00e9trie extr\u00eame, une bimodalit\u00e9 insidieuse ou des valeurs aberrantes massives issues d’artefacts instrumentaux. L’investigation univari\u00e9e permet ainsi d’\u00e9tablir la carte d’identit\u00e9 num\u00e9rique de chaque colonne d’un tableau de donn\u00e9es, validant la pertinence de son inclusion dans des \u00e9tapes analytiques subs\u00e9quentes.<\/p>\n

Dans les sciences empiriques appliqu\u00e9es, telles que la psychom\u00e9trie, l’\u00e9pid\u00e9miologie comportementale ou la sociologie quantitative, l’analyse univari\u00e9e repr\u00e9sente souvent une fin en soi autant qu’un jalon m\u00e9thodologique. Par exemple, lors de la standardisation d’une \u00e9chelle de mesure psychom\u00e9trique \u00e9valuant l’anxi\u00e9t\u00e9 ou les fonctions cognitives, l’analyse univari\u00e9e des scores d’items permet d’\u00e9valuer la fid\u00e9lit\u00e9, le pouvoir discriminant de chaque question et d’identifier de potentiels effets de plancher ou de plafond. Dans l’analyse des donn\u00e9es comportementales en ligne (telles que le temps pass\u00e9 sur une interface ou la fr\u00e9quence d’achats), elle met imm\u00e9diatement en \u00e9vidence la non-gaussienne quasi-syst\u00e9matique des conduites humaines, caract\u00e9ris\u00e9es par des distributions \u00e0 queues lourdes r\u00e9gies par des lois de puissance.<\/p>\n

1.2 Typologie des variables statistiques<\/h3>\n

L’\u00e9dification de toute d\u00e9marche analytique univari\u00e9e requiert imp\u00e9rativement une classification taxinomique pr\u00e9cise de la nature math\u00e9matique de la variable sous examen. Les variables statistiques se divisent fondamentalement en deux grandes familles ontologiques : les variables qualitatives (ou cat\u00e9gorielles) et les variables quantitatives (ou m\u00e9triques), chacune se subdivisant en sous-cat\u00e9gories aux propri\u00e9t\u00e9s arithm\u00e9tiques distinctes. M\u00e9conna\u00eetre cette hi\u00e9rarchie conduit in\u00e9luctablement \u00e0 des erreurs de cat\u00e9gorie d\u00e9sastreuses, telles que le calcul absurde de la moyenne arithm\u00e9tique d’un code postal ou d’un statut marital.<\/p>\n

Les variables qualitatives nominales regroupent des modalit\u00e9s mutuellement exclusives et exhaustivement \u00e9num\u00e9rables, d\u00e9pourvues de toute relation d’ordre naturelle ou math\u00e9matique. L’appartenance \u00e0 une cat\u00e9gorie (telle que le genre, la nationalit\u00e9, le groupe sanguin ou la typologie de panne machine) rel\u00e8ve d’une simple d\u00e9signation symbolique. Les variables qualitatives ordinales, en revanche, introduisent une relation d’ordre stricte ou faible entre les modalit\u00e9s, sans pour autant d\u00e9finir une distance m\u00e9trique constante entre les \u00e9chelons successifs. C’est le cas embl\u00e9matique des \u00e9chelles de Likert (allant de \u00ab pas du tout d’accord \u00bb \u00e0 \u00ab tout \u00e0 fait d’accord \u00bb), des niveaux de dipl\u00f4me ou des stades cliniques d’une pathologie. Si l’on peut affirmer sans ambigu\u00eft\u00e9 qu’un stade III est plus avanc\u00e9 qu’un stade II, il demeure math\u00e9matiquement proscrit de postuler que l’\u00e9cart s\u00e9parant ces deux stades \u00e9quivaut \u00e0 celui s\u00e9parant les stades I et II.<\/p>\n

Les variables quantitatives se caract\u00e9risent par le fait que leurs valeurs r\u00e9sultent d’un processus de comptage ou de mesure physique directe, autorisant les op\u00e9rations d’addition et de soustraction. Les variables quantitatives discr\u00e8tes prennent leurs valeurs dans un ensemble d\u00e9nombrable, typiquement l’ensemble des entiers naturels, correspondant \u00e0 des d\u00e9nombrements d’\u00e9v\u00e9nements (nombre d’enfants par foyer, nombre de r\u00e9clamations clients, nombre de d\u00e9faillances techniques). Les variables quantitatives continues, quant \u00e0 elles, se d\u00e9ploient dans le continuum de l’ensemble des r\u00e9els et d\u00e9coulent d’un processus de mesure continue (taille, pression art\u00e9rielle, temps de r\u00e9action, masse financi\u00e8re). Dans l’univers computationnel de Python et de Pandas, la gestion rigoureuse de ces typologies impose l’assignation ad\u00e9quate des types primitifs, transitant des types textuels ou objets vers le type category<\/em> pour les donn\u00e9es qualitatives, et vers les types int64<\/em> ou float64<\/em> pour les donn\u00e9es quantitatives.<\/p>\n

1.3 Les trois piliers m\u00e9thodologiques de l’exploration univari\u00e9e<\/h3>\n

L’architecture m\u00e9thodologique d’une analyse univari\u00e9e exhaustive repose invariablement sur une triangulation op\u00e9rationnelle rigoureuse. Pour appr\u00e9hender une variable dans toute sa complexit\u00e9 empirique, le chercheur doit conjuguer simultan\u00e9ment l’estimation des param\u00e8tres num\u00e9riques synth\u00e9tiques, la construction des structures tabulaires de distribution et le d\u00e9ploiement d’art\u00e9facts visuels adapt\u00e9s. Aucun de ces trois volets ne peut, \u00e0 lui seul, r\u00e9sumer fid\u00e8lement la r\u00e9alit\u00e9 de la distribution ; ils s’enrichissent et s’\u00e9clairent mutuellement dans une relation dialectique permanente.<\/p>\n

Le premier pilier r\u00e9side dans le calcul des statistiques descriptives r\u00e9sum\u00e9es. Ces indicateurs de r\u00e9duction dimensionnelle condensent une s\u00e9rie volumineuse de donn\u00e9es en un nombre restreint de scalaires hautement informatifs. Ce pilier s’articule autour de deux concepts compl\u00e9mentaires : les mesures de tendance centrale, qui visent \u00e0 situer le point d’\u00e9quilibre ou la valeur repr\u00e9sentative de la distribution, et les mesures de dispersion, qui quantifient l’\u00e9talement, la variabilit\u00e9 ou l’incertitude entourant cette valeur centrale. L’examen isol\u00e9 d’une mesure centrale sans son corollaire de dispersion constitue l’une des fautes m\u00e9thodologiques les plus insidieuses en statistique appliqu\u00e9e.<\/p>\n

Le deuxi\u00e8me pilier concerne l’\u00e9laboration des tables de distribution de fr\u00e9quences. En organisant les donn\u00e9es sous forme d’effectifs, de proportions, de pourcentages et de fr\u00e9quences cumul\u00e9es, ce proc\u00e9d\u00e9 permet d’observer la mani\u00e8re dont la masse de probabilit\u00e9 empirique se r\u00e9partit entre les diff\u00e9rentes modalit\u00e9s ou intervalles de valeurs. Pour les variables continues, cette \u00e9tape requiert une discr\u00e9tisation raisonn\u00e9e qui sert de passerelle entre les valeurs microscopiques individuelles et la structure macroscopique du ph\u00e9nom\u00e8ne. Enfin, le troisi\u00e8me pilier m\u00e9thodologique r\u00e9side dans la repr\u00e9sentation graphique contextualis\u00e9e. La visualisation traduit instantan\u00e9ment la g\u00e9om\u00e9trie sous-jacente des donn\u00e9es \u2014 sym\u00e9trie, aplatissement, multi-modalit\u00e9 et anomalies marginales \u2014 que de simples scalaires r\u00e9capitulatifs \u00e9chouent fr\u00e9quemment \u00e0 r\u00e9v\u00e9ler pleinement, comme l’illustre de mani\u00e8re \u00e9clatante le c\u00e9l\u00e8bre quartette d’Anscombe.<\/p>\n

2. 2. Configuration de l’environnement Python et pr\u00e9paration du jeu de donn\u00e9es<\/h2>\n

2.1 Importation des biblioth\u00e8ques scientifiques essentielles<\/h3>\n

Pour ex\u00e9cuter un protocole d’analyse univari\u00e9e r\u00e9pondant aux exigences scientifiques contemporaines, il est indispensable de structurer un environnement d’ex\u00e9cution robuste s’appuyant sur les biblioth\u00e8ques canoniques de l’\u00e9cosyst\u00e8me Python. Chacune de ces biblioth\u00e8ques joue un r\u00f4le fonctionnel sp\u00e9cialis\u00e9 au sein de la cha\u00eene de traitement, formant une suite analytique coh\u00e9rente capable d’absorber des volumes de donn\u00e9es substantiels tout en garantissant une pr\u00e9cision num\u00e9rique optimale.<\/p>\n

Au centre de cette architecture se trouve la biblioth\u00e8que Pandas<\/a>, indispensable pour la manipulation de structures tabulaires de haute performance nomm\u00e9es DataFrames et Series. Con\u00e7ue sur une base computationnelle en C, Pandas fournit les primitives d’indexation, de d\u00e9coupage, d’agr\u00e9gation et de calcul statistique vectoris\u00e9. Elle est compl\u00e9t\u00e9e \u00e0 bas niveau par NumPy<\/a>, qui met \u00e0 disposition des structures de tableaux multidimensionnels homog\u00e8nes (ndarray<\/em>) et des fonctions math\u00e9matiques op\u00e9rant \u00e9l\u00e9ment par \u00e9l\u00e9ment avec une efficacit\u00e9 m\u00e9moire remarquable.<\/p>\n

L’infrastructure graphique s’articule autour du couple indissociable form\u00e9 par Matplotlib et Seaborn. Matplotlib, biblioth\u00e8que historique de tra\u00e7age de bas niveau, assure un contr\u00f4le granulaire absolu sur la moindre composante topologique d’une figure (axes, graduations, typographies, projections). Seaborn se superpose harmonieusement \u00e0 Matplotlib en fournissant des abstractions de haut niveau sp\u00e9cifiquement pens\u00e9es pour la visualisation de mod\u00e8les statistiques. Enfin, pour le calcul des moments statistiques d’ordre sup\u00e9rieur, la mod\u00e9lisation probabiliste et l’inf\u00e9rence formelle, l’adjonction des modules scipy.stats<\/em> (issu de la suite SciPy<\/a>) et de la biblioth\u00e8que Statsmodels<\/a> s’av\u00e8re incontournable afin d’ex\u00e9cuter des tests d’hypoth\u00e8ses et des trac\u00e9s diagnostiques rigoureux.<\/p>\n

2.2 Cr\u00e9ation et inspection du DataFrame d’\u00e9tude<\/h3>\n

L’amorce de toute investigation commence par l’instanciation de la structure de donn\u00e9es au sein de la m\u00e9moire vive, suivie imm\u00e9diatement d’une s\u00e9rie de v\u00e9rifications structurelles visant \u00e0 cartographier le cadre d’analyse. Qu’il s’agisse du chargement d’un fichier tabulaire distant ou de l’\u00e9laboration programmatique d’un jeu de donn\u00e9es synth\u00e9tique refl\u00e9tant des m\u00e9triques de performance athl\u00e9tique ou comportementale, la structure doit \u00eatre syst\u00e9matiquement audit\u00e9e \u00e0 l’aide des primitives de diagnostic de base fournies par Pandas.<\/p>\n

L’appel successif des m\u00e9thodes head()<\/em> et tail()<\/em> permet de visualiser les premiers et derniers enregistrements du jeu de donn\u00e9es, fournissant une v\u00e9rification empirique imm\u00e9diate de la conformit\u00e9 du s\u00e9parateur de colonnes, de l’alignement des index et de la pr\u00e9sence visible de valeurs tronqu\u00e9es. Cette inspection superficielle doit \u00eatre imm\u00e9diatement approfondie par l’ex\u00e9cution de la m\u00e9thode info()<\/em>. Cette derni\u00e8re d\u00e9livre un bilan exhaustif de la sant\u00e9 structurelle de l’objet : le nombre total de lignes enregistr\u00e9es, l’\u00e9num\u00e9ration nominative de chaque colonne, le d\u00e9compte pr\u00e9cis des cellules non nulles, ainsi que l’attribution de la m\u00e9moire vive consomm\u00e9e par la structure.<\/p>\n

Une vigilance particuli\u00e8re doit \u00eatre accord\u00e9e \u00e0 l’attribut dtypes<\/em>, qui r\u00e9capitule les types de donn\u00e9es d\u00e9duits par le moteur de Pandas. Il n’est point rare qu’une variable conceptuellement continue se retrouve catalogu\u00e9e par inadvertance sous le type g\u00e9n\u00e9rique object<\/em> (cha\u00eene de caract\u00e8res), g\u00e9n\u00e9ralement en raison de l’intrusion malencontreuse de caract\u00e8res typographiques invisibles, de symboles mon\u00e9taires ou de repr\u00e9sentations h\u00e9t\u00e9rog\u00e8nes de valeurs manquantes (comme le symbole du point d’interrogation ou les libell\u00e9s \u00ab N\/A \u00bb). L’identification pr\u00e9coce de ces dysharmonies typologiques est indispensable afin de convertir explicitement les vecteurs concern\u00e9s \u00e0 l’aide des fonctions pd.to_numeric()<\/em> ou de la m\u00e9thode astype()<\/em> avant d’engager le moindre calcul statistique.<\/p>\n

2.3 Nettoyage pr\u00e9liminaire et v\u00e9rification des valeurs manquantes<\/h3>\n

L’int\u00e9grit\u00e9 inf\u00e9rentielle d’une analyse univari\u00e9e d\u00e9pend directement de la gestion des donn\u00e9es manquantes. L’existence de lacunes observationnelles non contr\u00f4l\u00e9es fausse les estimations de variance, r\u00e9duit la puissance statistique des tests et peut introduire des biais syst\u00e9matiques majeurs si le m\u00e9canisme sous-jacent de ces disparitions n’est pas compl\u00e8tement al\u00e9atoire (Missing Completely at Random, MCAR).<\/p>\n

La cartographie quantitative des absences s’effectue vectoriellement par la combinaison des m\u00e9thodes isnull().sum()<\/em> ou isna().mean()<\/em>, cette derni\u00e8re exprimant instantan\u00e9ment la proportion relative de valeurs d\u00e9faillantes par variable. Si le taux d’attrition d’une variable s’av\u00e8re marginal (par exemple inf\u00e9rieur \u00e0 1% ou 2%), une exclusion ponctuelle des lignes non renseign\u00e9es lors du calcul des statistiques descriptives univari\u00e9es peut \u00eatre envisag\u00e9e sans d\u00e9naturer gravement les propri\u00e9t\u00e9s de l’\u00e9chantillon, en exploitant l’argument natif dropna=True<\/em> des fonctions de Pandas.<\/p>\n

En revanche, face \u00e0 une attrition substantielle, l’analyste se trouve confront\u00e9 au dilemme de l’imputation versus l’exclusion. Dans un cadre strictement univari\u00e9, les strat\u00e9gies d’imputation d\u00e9terministes consistent \u00e0 substituer aux cellules vides une statistique repr\u00e9sentative de la s\u00e9rie, telle que la moyenne, la m\u00e9diane ou le mode empirique. N\u00e9anmoins, une telle pratique r\u00e9duit artificiellement la variance naturelle de la variable et amplifie de mani\u00e8re fallacieuse l’aplatissement de la distribution. Il importe donc, lors de cette phase pr\u00e9paratoire, de documenter scrupuleusement la proportion de valeurs manquantes et de justifier m\u00e9thodologiquement le protocole de rem\u00e9diation adopt\u00e9, en privil\u00e9giant l’analyse de sensibilit\u00e9 lorsque les donn\u00e9es manquantes exc\u00e8dent les seuils de tol\u00e9rance acad\u00e9miques usuels.<\/p>\n

3. 3. Mesures de tendance centrale en Python<\/h2>\n

3.1 Calcul et interpr\u00e9tation de la moyenne arithm\u00e9tique<\/h3>\n

La moyenne arithm\u00e9tique repr\u00e9sente sans conteste l’indicateur de tendance centrale le plus universellement d\u00e9ploy\u00e9 en statistique inf\u00e9rentielle et descriptive. Sur le plan math\u00e9matique formel, pour un \u00e9chantillon compos\u00e9 de $n$<\/span> observations not\u00e9es $x_1, x_2, dots, x_n$<\/span>, la moyenne arithm\u00e9tique empirique, traditionnellement d\u00e9sign\u00e9e par la notation $\\bar{x}$<\/span>, correspond au barycentre des donn\u00e9es et s’exprime selon l’\u00e9quation suivante :<\/p>\n

$$\\bar{x} = \\frac{1}{n} \\sum_{i=1}^{n} x_i$$<\/span><\/p>\n

Au sein de la biblioth\u00e8que Pandas, l’extraction computationnelle de cette valeur s’effectue directement via l’application de la m\u00e9thode mean()<\/em> sur la s\u00e9rie d’int\u00e9r\u00eat. D’un point de vue physique ou g\u00e9om\u00e9trique, la moyenne arithm\u00e9tique s’interpr\u00e8te comme le point de pivotement o\u00f9 la somme des \u00e9carts alg\u00e9briques des donn\u00e9es individuelles par rapport \u00e0 cette valeur s’annule rigoureusement : $\\sum (x_i – \\bar{x}) = 0$<\/span>. Cette propri\u00e9t\u00e9 fondamentale en fait le fondement math\u00e9matique de nombreuses th\u00e9ories de l’optimisation par moindres carr\u00e9s.<\/p>\n

Toutefois, la moyenne arithm\u00e9tique souffre d’une faiblesse m\u00e9thodologique critique : son absence totale de robustesse face aux asym\u00e9tries prononc\u00e9es et aux valeurs aberrantes. Dans la mesure o\u00f9 chaque observation participe au calcul avec une pond\u00e9ration uniforme \u00e9gale \u00e0 $1\/n$<\/span>, l’intrusion d’une unique valeur d\u00e9mesur\u00e9ment \u00e9lev\u00e9e ou anomalique suffit \u00e0 d\u00e9placer substantiellement le centre de gravit\u00e9 de la variable vers la p\u00e9riph\u00e9rie de l’\u00e9chantillon. Pour pallier cette vuln\u00e9rabilit\u00e9 intrins\u00e8que sans renoncer aux propri\u00e9t\u00e9s alg\u00e9briques de la moyenne, le recours \u00e0 la moyenne tronqu\u00e9e (trimmed mean<\/em>) s’av\u00e8re particuli\u00e8rement f\u00e9cond. Impl\u00e9ment\u00e9e dans le module scipy.stats.trim_mean()<\/em>, cette fonction \u00e9carte d\u00e9lib\u00e9r\u00e9ment une proportion sym\u00e9trique pr\u00e9d\u00e9termin\u00e9e des observations extr\u00eames (typiquement 5% ou 10% aux extr\u00e9mit\u00e9s inf\u00e9rieure et sup\u00e9rieure) avant de proc\u00e9der au calcul de la moyenne r\u00e9siduelle, offrant ainsi un compromis judicieux entre efficacit\u00e9 statistique et insensibilit\u00e9 aux artefacts extr\u00eames.<\/p>\n

3.2 D\u00e9termination de la m\u00e9diane statistique<\/h3>\n

La m\u00e9diane statistique, d\u00e9sign\u00e9e conventionnellement par la notation $M$<\/span> ou $Med$<\/span>, se d\u00e9finit sur le plan th\u00e9orique comme la valeur centrale qui scinde une s\u00e9rie ordonn\u00e9e de donn\u00e9es en deux sous-ensembles d’effectifs parfaitement identiques. Pour un jeu de donn\u00e9es pr\u00e9alablement class\u00e9 par ordre croissant, elle garantit qu’exactement 50% des observations pr\u00e9sentent une magnitude inf\u00e9rieure ou \u00e9gale \u00e0 sa valeur, tandis que les 50% restants pr\u00e9sentent une magnitude sup\u00e9rieure ou \u00e9gale. Son obtention informatique s’op\u00e8re instantan\u00e9ment via la m\u00e9thode median()<\/em> sous Pandas.<\/p>\n

Sur le plan computationnel, si la taille de l’\u00e9chantillon $n$<\/span> est impaire, la m\u00e9diane correspond pr\u00e9cis\u00e9ment \u00e0 la valeur centrale situ\u00e9e au rang $(n + 1) \/ 2$<\/span>. Si la taille de l’\u00e9chantillon est paire, la m\u00e9diane s’obtient usuellement par l’interpolation arithm\u00e9tique des deux observations centrales occupant les rangs $n \/ 2$<\/span> et $(n \/ 2) + 1$<\/span>. La caract\u00e9ristique \u00e9pist\u00e9mologique majeure de la m\u00e9diane r\u00e9side dans son insolente robustesse : son point de rupture (breakdown point<\/em>) atteint 50%, ce qui signifie qu’il faudrait corrompre pr\u00e8s de la moiti\u00e9 des observations d’un \u00e9chantillon par des valeurs infinies pour amener la m\u00e9diane \u00e0 diverger vers l’infini, alors qu’une seule valeur aberrante suffit \u00e0 corrompre la moyenne arithm\u00e9tique.<\/p>\n

Cette propri\u00e9t\u00e9 de r\u00e9silience conf\u00e8re \u00e0 la m\u00e9diane un statut de r\u00e9f\u00e9rence incontournable lors de l’\u00e9tude de variables socio-\u00e9conomiques asym\u00e9triques, \u00e0 l’instar des distributions de revenus, des patrimoines, des prix immobiliers ou des dur\u00e9es de survie clinique. L’\u00e9cart directionnel observ\u00e9 entre la moyenne arithm\u00e9tique et la m\u00e9diane constitue par ailleurs un indicateur heuristique d’une utilit\u00e9 diagnostique remarquable : lorsque la moyenne d\u00e9passe sensiblement la m\u00e9diane ($\\bar{x} > Med$<\/span>), cela t\u00e9moigne de la pr\u00e9sence d’une queue de distribution \u00e9tir\u00e9e vers la droite (asym\u00e9trie positive), tandis qu’une moyenne substantiellement inf\u00e9rieure \u00e0 la m\u00e9diane signale une queue orient\u00e9e vers les valeurs n\u00e9gatives ou faibles (asym\u00e9trie n\u00e9gative).<\/p>\n

3.3 Extraction du mode et analyse de la multi-modalit\u00e9<\/h3>\n

Le mode statistique d\u00e9signe la modalit\u00e9, ou la valeur num\u00e9rique discr\u00e8te, qui enregistre la fr\u00e9quence d’occurrence empirique la plus \u00e9lev\u00e9e au sein de la s\u00e9rie sous observation. Math\u00e9matiquement, il correspond au maximum absolu de la fonction de masse empirique pour une variable discr\u00e8te, ou au sommet de la fonction de densit\u00e9 de probabilit\u00e9 pour une variable continue sous-jacente. L’invocation de la m\u00e9thode mode()<\/em> sur une structure Pandas renvoie un objet de type Series<\/em>, dans la mesure o\u00f9 un \u00e9chantillon peut parfaitement ne comporter aucun mode saillant, pr\u00e9senter un pic unique (distribution unimodale), ou arborer plusieurs valeurs \u00e0 \u00e9galit\u00e9 de fr\u00e9quence maximale (distributions bimodales ou multimodales).<\/p>\n

Le mode se singularise par son universalit\u00e9 taxinomique : il s’agit de l’unique mesure de tendance centrale th\u00e9oriquement l\u00e9gitime et op\u00e9rationnelle pour le traitement des variables qualitatives nominales pures. Lorsqu’il s’agit de caract\u00e9riser le groupe sanguin pr\u00e9dominant au sein d’une cohorte ou le motif principal d’admission hospitali\u00e8re, ni la moyenne arithm\u00e9tique ni la m\u00e9diane ne poss\u00e8dent le moindre sens math\u00e9matique, conf\u00e9rant au mode l’exclusivit\u00e9 de la synth\u00e8se centrale.<\/p>\n

Lors de l’analyse univari\u00e9e de variables quantitatives continues, l’identification du mode empirique direct \u00e0 partir des valeurs brutes se heurte fr\u00e9quemment \u00e0 des limites pratiques, car la probabilit\u00e9 que deux mesures physiques continues soient strictement identiques tend vers z\u00e9ro. Dans ce contexte, l’analyse du mode requiert soit une discr\u00e9tisation pr\u00e9alable de la variable en classes d’amplitudes d\u00e9finies, soit l’application d’un algorithme d’estimation de la densit\u00e9 par noyau pour localiser les extrema locaux de la fonction continue estim\u00e9e. La d\u00e9couverte fortuite d’une multi-modalit\u00e9 au sein d’une variable quantitative constitue un signal d’alarme m\u00e9thodologique de premier ordre : elle r\u00e9v\u00e8le presque syst\u00e9matiquement l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 sous-jacente de la population \u00e9chantillonn\u00e9e, traduisant la superposition silencieuse de plusieurs sous-populations distinctes (comme des distributions diff\u00e9rentielles de tailles physiques selon le dimorphisme sexuel) qui n\u00e9cessitent une stratification analytique disjointe.<\/p>\n

4. 4. Mesures de dispersion et de variabilit\u00e9 statistique<\/h2>\n

4.1 \u00c9tendue et \u00e9cart interquartile (IQR)<\/h3>\n

L’estimation des seules mesures de tendance centrale s’av\u00e8re dramatiquement incompl\u00e8te pour encapsuler la dynamique distributionnelle d’une variable. Deux distributions statistiques peuvent en effet exhiber une moyenne et une m\u00e9diane rigoureusement identiques tout en affichant des structures de dispersion diam\u00e9tralement divergentes. Les mesures de dispersion ont pr\u00e9cis\u00e9ment pour vocation math\u00e9matique de quantifier l’amplitude de l’\u00e9talement des donn\u00e9es autour de leur point focal.<\/p>\n

La mesure de dispersion la plus \u00e9l\u00e9mentaire est l’\u00e9tendue (range<\/em>), d\u00e9finie comme le diff\u00e9rentiel scalaire brut entre l’observation maximale et l’observation minimale d’un \u00e9chantillon : $R = x_{\\max} – x_{\\min}$<\/span>. Si son impl\u00e9mentation algorithmique sous Pandas s’ex\u00e9cute trivialement par l’expression df[‘variable’].max() – df[‘variable’].min()<\/em>, sa pertinence analytique demeure extr\u00eamement rudimentaire. L’\u00e9tendue ne mobilise que deux points d’observation extr\u00eames et ignore superbement l’agencement interne des donn\u00e9es, se trouvant de surcro\u00eet hyper-sensible aux valeurs aberrantes marginales et augmentant m\u00e9caniquement avec la taille de l’\u00e9chantillon.<\/p>\n

Pour contourner les apories de l’\u00e9tendue, la statistique non param\u00e9trique a forg\u00e9 le concept d’\u00e9cart interquartile (Interquartile Range<\/em> ou IQR). Les quartiles correspondent aux trois points de coupure qui divisent la distribution ordonn\u00e9e en quatre segments d’effectifs rigoureusement \u00e9quivalents, soit 25% de la masse de probabilit\u00e9 par quart. Le premier quartile ($Q_1$<\/span> ou 25e percentile), obtenu sous Pandas via l’appel quantile(0.25)<\/em>, d\u00e9limite le quart inf\u00e9rieur des donn\u00e9es. Le troisi\u00e8me quartile ($Q_3$<\/span> ou 75e percentile), accessible via quantile(0.75)<\/em>, s\u00e9pare les 75% de valeurs inf\u00e9rieures des 25% de valeurs sup\u00e9rieures. L’\u00e9cart interquartile se formalise donc par la diff\u00e9rence arithm\u00e9tique suivante :<\/p>\n

$$IQR = Q_3 – Q_1$$<\/span><\/p>\n

L’IQR repr\u00e9sente ainsi l’\u00e9tendue occup\u00e9e par les 50% centraux de l’\u00e9chantillon. Insensible aux fluctuations aberrantes situ\u00e9es dans les queues de distribution, il affiche un point de rupture de 25%. Au-del\u00e0 de sa puissance descriptive intrins\u00e8que, l’IQR constitue le moteur algorithmique de la c\u00e9l\u00e8bre r\u00e8gle de d\u00e9tection des donn\u00e9es aberrantes de John Tukey, employ\u00e9e universellement pour le trac\u00e9 norm\u00e9 des bo\u00eetes \u00e0 moustaches.<\/p>\n

4.2 Variance et \u00e9cart-type de l’\u00e9chantillon<\/h3>\n

Les m\u00e9triques de dispersion les plus v\u00e9n\u00e9rables de l’arsenal param\u00e9trique demeurent la variance et son corollaire direct, l’\u00e9cart-type. Sur le plan conceptuel, la variance mesure la moyenne des carr\u00e9s des d\u00e9viations de chaque observation individuelle par rapport \u00e0 la moyenne arithm\u00e9tique de l’\u00e9chantillon. Toutefois, une distinction \u00e9pist\u00e9mologique cruciale s\u00e9pare la variance d’une population finie exhaustive de la variance estim\u00e9e \u00e0 partir d’un \u00e9chantillon repr\u00e9sentatif.<\/p>\n

Lorsqu’on travaille sur des donn\u00e9es d’\u00e9chantillonnage, la somme brute des carr\u00e9s des \u00e9carts doit \u00eatre divis\u00e9e non pas par la taille globale de l’\u00e9chantillon $n$<\/span>, mais par ses degr\u00e9s de libert\u00e9 r\u00e9siduels, \u00e0 savoir $n – 1$<\/span>. Cette correction, th\u00e9oris\u00e9e sous l’appellation de correction de Bessel, a pour fonction d’\u00e9liminer le biais syst\u00e9matique de sous-estimation de la variance populationnelle provoqu\u00e9 par l’utilisation de la moyenne empirique $\\bar{x}$<\/span> \u00e0 la place de la v\u00e9ritable moyenne populationnelle inaccessible $\\mu$<\/span>. L’estimateur non biais\u00e9 de la variance d’\u00e9chantillon, not\u00e9 $s^2$<\/span>, r\u00e9pond \u00e0 l’expression :<\/p>\n

$$s^2 = \\frac{1}{n – 1} \\sum_{i=1}^{n} (x_i – \\bar{x})^2$$<\/span><\/p>\n

L’\u00e9cart-type d’\u00e9chantillon $s$<\/span> correspond simplement \u00e0 l’extraction de la racine carr\u00e9e positive de la variance d’\u00e9chantillon : $s = \\sqrt{s^2}$<\/span>. Ce passage \u00e0 la racine carr\u00e9e r\u00e9tablit l’homog\u00e9n\u00e9it\u00e9 dimensionnelle de la m\u00e9trique, r\u00e9exprimant la variabilit\u00e9 dans l’unit\u00e9 de mesure d’origine de la variable (m\u00e8tres, secondes, euros), ce qui en facilite l’interpr\u00e9tation concr\u00e8te. Sous Pandas, l’appel de var()<\/em> et std()<\/em> int\u00e8gre par d\u00e9faut cette correction de Bessel via le param\u00e8tre interne ddof=1<\/em> (degr\u00e9s de libert\u00e9 d’\u00e9cartement ajust\u00e9s). En revanche, l’analyste doit veiller scrupuleusement au fait que les fonctions natives de NumPy, telles que numpy.std()<\/em>, initialisent conventionnellement ddof=0<\/em>, ce qui produit un estimateur de maximum de vraisemblance biais\u00e9 pour les petits \u00e9chantillons.<\/p>\n

4.3 Coefficient de variation et variabilit\u00e9 relative<\/h3>\n

L’interpr\u00e9tation clinique ou industrielle d’un \u00e9cart-type absolu se heurte in\u00e9vitablement \u00e0 un obstacle heuristique d\u00e8s lors que l’on cherche \u00e0 confronter la variabilit\u00e9 de deux variables d’\u00e9chelles disparates, ou d’une m\u00eame variable mesur\u00e9e au sein de deux populations dont les ordres de grandeur diff\u00e8rent radicalement. Un \u00e9cart-type de 10 unit\u00e9s rev\u00eat une port\u00e9e analytique vertigineuse s’il s’applique \u00e0 un dosage m\u00e9dicamenteux dont la moyenne th\u00e9rapeutique est de 5 unit\u00e9s, alors qu’il devient n\u00e9gligeable s’il caract\u00e9rise le kilom\u00e9trage de v\u00e9hicules d’occasion affichant une moyenne de 150 000 kilom\u00e8tres.<\/p>\n

Pour s’affranchir de cet effet d’\u00e9chelle et normaliser la dispersion, la statistique fait usage du coefficient de variation ($CV$<\/span>). Il s’agit d’une m\u00e9trique adimensionnelle, introduite par Karl Pearson, qui exprime l’\u00e9cart-type sous la forme d’un ratio proportionnel de la moyenne arithm\u00e9tique :<\/p>\n

$$CV = \\frac{s}{\\bar{x}}$$<\/span><\/p>\n

Fr\u00e9quemment exprim\u00e9 sous forme de pourcentage en multipliant le ratio obtenu par 100, le coefficient de variation s’av\u00e8re exclusivement pertinent pour des variables quantitatives mesur\u00e9es sur une \u00e9chelle de rapports stricts, c’est-\u00e0-dire poss\u00e9dant un z\u00e9ro absolu non arbitraire (comme une masse, un volume, un revenu ou une dur\u00e9e temporelle). Son application \u00e0 des \u00e9chelles d’intervalles relatives (telles que les temp\u00e9ratures en degr\u00e9s Celsius ou Fahrenheit) rel\u00e8ve d’une aberration m\u00e9thodologique, le d\u00e9placement conventionnel du point z\u00e9ro alt\u00e9rant math\u00e9matiquement la valeur du ratio.<\/p>\n

L’impl\u00e9mentation en Python du coefficient de variation s’effectue ais\u00e9ment \u00e0 l’aide d’une fonction personnalis\u00e9e vectoris\u00e9e ou en sollicitant directement la fonction d\u00e9di\u00e9e scipy.stats.variation()<\/em>. Un $CV$<\/span> inf\u00e9rieur \u00e0 10% ou 15% caract\u00e9rise usuellement une distribution particuli\u00e8rement homog\u00e8ne o\u00f9 les observations gravitent \u00e9troitement autour de la moyenne, tandis qu’un $CV$<\/span> exc\u00e9dant 30% \u00e0 40% traduit une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 substantielle n\u00e9cessitant une investigation approfondie des facteurs g\u00e9n\u00e9rateurs de variance.<\/p>\n

5. 5. Analyse de la forme de la distribution : Asym\u00e9trie et aplatissement<\/h2>\n

5.1 Le coefficient d’asym\u00e9trie (Skewness)<\/h3>\n

L’investigation univari\u00e9e avanc\u00e9e ne saurait cantonner son champ descriptif aux simples m\u00e9triques de position et de dispersion. Deux variables dot\u00e9es de moyennes et d’\u00e9carts-types identiques peuvent arborer des silhouettes distributionnelles fondamentalement asym\u00e9triques. L’exploration de la morphologie passe initialement par l’\u00e9tude de l’asym\u00e9trie (ou skewness<\/em>), math\u00e9matiquement index\u00e9e sur le troisi\u00e8me moment centr\u00e9 standardis\u00e9.<\/p>\n

L’asym\u00e9trie quantifie le degr\u00e9 d’\u00e9cart d’une distribution empirique par rapport \u00e0 une morphologie parfaitement sym\u00e9trique en forme de cloche, telle que celle prescrite par la loi normale th\u00e9orique de Laplace-Gauss. Au niveau de la formulation computationnelle, la m\u00e9thode skew()<\/em> de Pandas impl\u00e9mente la formule du coefficient d’asym\u00e9trie ajust\u00e9 de Fisher-Pearson, qui compense le biais d’\u00e9chantillonnage selon l’expression :<\/p>\n

$$G_1 = \\frac{n}{(n – 1)(n – 2)} \\sum_{i=1}^{n} \\left(\\frac{x_i – \\bar{x}}{s}\\right)^3$$<\/span><\/p>\n

L’interpr\u00e9tation de ce coefficient s’articule autour du z\u00e9ro. Une valeur de $G_1$<\/span> strictement nulle (ou statistiquement indiscernable de z\u00e9ro) atteste d’une sym\u00e9trie rigoureuse de la distribution, au sein de laquelle moyenne arithm\u00e9tique et m\u00e9diane co\u00efncident. Un coefficient d’asym\u00e9trie positif significatif ($G_1 > 0$<\/span>) r\u00e9v\u00e8le une distribution \u00e9tir\u00e9e \u00e0 droite : la masse d’observations se concentre majoritairement vers les valeurs basses, tandis qu’une tra\u00een\u00e9e de valeurs exceptionnellement \u00e9lev\u00e9es \u00e9tire la queue droite de la courbe. \u00c0 l’inverse, un coefficient n\u00e9gatif ($G_1 < 0$<\/span>) indique une queue \u00e9tir\u00e9e vers la gauche. En r\u00e8gle empirique acad\u00e9mique, une valeur comprise entre $-0.5$<\/span> et $+0.5$<\/span> d\u00e9note une asym\u00e9trie n\u00e9gligeable, alors qu'une valeur franchissant le seuil critique de $\\pm 1.0$<\/span> signale une d\u00e9viation morphologique majeure interdisant formellement l'usage aveugle de tests statistiques param\u00e9triques standard fond\u00e9s sur l'hypoth\u00e8se de normalit\u00e9.<\/p>\n

5.2 Le coefficient d’aplatissement (Kurtosis)<\/h3>\n

Le second param\u00e8tre morphologique fondamental est le coefficient d’aplatissement (ou kurtosis<\/em>), math\u00e9matiquement adoss\u00e9 au quatri\u00e8me moment centr\u00e9 standardis\u00e9. Contrairement \u00e0 une croyance tenace dans la culture statistique populaire assimilant le kurtosis \u00e0 la seule acuit\u00e9 du sommet de la courbe (son caract\u00e8re pointu), le kurtosis quantifie principalement l’\u00e9paisseur relative des queues de distribution, et par voie de cons\u00e9quence directe, la propension de la variable \u00e0 g\u00e9n\u00e9rer des \u00e9v\u00e9nements extr\u00eames ou aberrants.<\/p>\n

La biblioth\u00e8que Pandas, \u00e0 travers sa m\u00e9thode kurtosis()<\/em> (ou son synonyme kurt()<\/em>), calcule par convention l’exc\u00e8s de kurtosis de Fisher. Ce calcul soustrait la valeur de 3 au quatri\u00e8me moment centr\u00e9 normalis\u00e9, de telle sorte qu’une distribution gaussienne de r\u00e9f\u00e9rence pr\u00e9sente un exc\u00e8s de kurtosis rigoureusement \u00e9gal \u00e0 0. L’\u00e9quation de l’estimateur sans biais d’\u00e9chantillon se formalise de la mani\u00e8re suivante :<\/p>\n

$$G_2 = \\frac{n(n + 1)}{(n – 1)(n – 2)(n – 3)} \\sum_{i=1}^{n} \\left(\\frac{x_i – \\bar{x}}{s}\\right)^4 – \\frac{3(n – 1)^2}{(n – 2)(n – 3)}$$<\/span><\/p>\n

La typologie des profils morphologiques se d\u00e9cline en trois cat\u00e9gories. Une distribution m\u00e9sokurtique affiche un exc\u00e8s de kurtosis voisin de 0, indiquant des queues d’\u00e9paisseur conforme au profil gaussien. Une distribution leptokurtique ($G_2 > 0$<\/span>) pr\u00e9sente un exc\u00e8s d’aplatissement positif : ses queues sont particuli\u00e8rement \u00e9paisses et lourdes, ce qui signifie qu’elle g\u00e9n\u00e8re bien plus d’observations extr\u00eames qu’une loi normale. Les donn\u00e9es financi\u00e8res, telles que les rendements boursiers journaliers, sont typiquement leptokurtiques. Enfin, une distribution platykurtique ($G_2 < 0$<\/span>) pr\u00e9sente un exc\u00e8s de kurtosis n\u00e9gatif, traduisant des queues all\u00e9g\u00e9es, des observations uniform\u00e9ment dispers\u00e9es et une quasi-absence d'extrema d\u00e9mesur\u00e9s.<\/p>\n

5.3 Utilisation de describe() pour une synth\u00e8se exhaustive<\/h3>\n

Dans la pratique courante de l’analyste sous Python, il s’av\u00e8re peu rentable de calculer de mani\u00e8re isol\u00e9e et s\u00e9quentielle chacun de ces indicateurs. L’\u00e9cosyst\u00e8me Pandas met \u00e0 disposition un instrument d’une efficience remarquable pour automatiser la g\u00e9n\u00e9ration d’un tableau synth\u00e9tique de descripteurs univari\u00e9s : la m\u00e9thode describe()<\/em>.<\/p>\n

Appliqu\u00e9e sans argument sur un DataFrame comportant des colonnes num\u00e9riques, la fonction df.describe()<\/em> compile instantan\u00e9ment, pour chaque variable quantitative, une batterie d’indicateurs scalaires \u00e9l\u00e9mentaires : l’effectif non nul (count<\/em>), la moyenne arithm\u00e9tique (mean<\/em>), l’\u00e9cart-type d’\u00e9chantillon corrig\u00e9 (std<\/em>), le minimum empirique (min<\/em>), ainsi que les premier, deuxi\u00e8me (m\u00e9diane) et troisi\u00e8me quartiles (25%<\/em>, 50%<\/em>, 75%<\/em>), pour s’achever sur le maximum (max<\/em>). Cette photographie panoramique permet de d\u00e9tecter d’un coup d’\u0153il les incoh\u00e9rences m\u00e9triques les plus flagrantes, comme des valeurs n\u00e9gatives pour des grandeurs physiques r\u00e9put\u00e9es strictement positives.<\/p>\n

L’utilisation experte de describe()<\/em> implique son param\u00e9trage personnalis\u00e9. Par l’adjonction de l’argument percentiles=[0.01, 0.05, 0.10, 0.90, 0.95, 0.99]<\/em>, l’analyste peut diss\u00e9quer avec une grande finesse le comportement des centiles extr\u00eames de la distribution. En outre, appliqu\u00e9e sur des colonnes cat\u00e9gorielles ou qualitatives via l’argument include=[‘O’, ‘category’]<\/em>, la m\u00e9thode transmute enti\u00e8rement son affichage pour fournir le nombre d’observations renseign\u00e9es (count<\/em>), le nombre de cat\u00e9gories distinctes uniques (unique<\/em>), la modalit\u00e9 modale la plus fr\u00e9quente (top<\/em>) et la fr\u00e9quence d’occurrence absolue de cette derni\u00e8re (freq<\/em>). La sortie tabulaire g\u00e9n\u00e9r\u00e9e \u00e9tant elle-m\u00eame un DataFrame Pandas, ses valeurs peuvent \u00eatre extraites programmatiquement pour \u00eatre inject\u00e9es dans des pipelines de v\u00e9rification automatis\u00e9e de la qualit\u00e9 des donn\u00e9es.<\/p>\n

6. 6. Construction et analyse des tableaux de fr\u00e9quences<\/h2>\n

6.1 Fr\u00e9quences absolues avec value_counts()<\/h3>\n

Pour les variables qualitatives (nominales comme ordinales) ainsi que pour les variables quantitatives discr\u00e8tes \u00e0 spectre restreint, l’estimation de moments num\u00e9riques continus s’av\u00e8re d\u00e9nu\u00e9e de pertinence. L’instrument analytique univari\u00e9 par excellence r\u00e9side alors dans l’\u00e9laboration du tableau de distribution des fr\u00e9quences absolues. Cette structure \u00e9num\u00e8re l’ensemble des modalit\u00e9s uniques observ\u00e9es et leur associe le d\u00e9compte scrupuleux de leurs occurrences empiriques.<\/p>\n

La biblioth\u00e8que Pandas fournit l’une des primitives computationnelles les plus rapides et intuitives pour ex\u00e9cuter ce d\u00e9nombrement : la m\u00e9thode value_counts()<\/em> appliqu\u00e9e directement \u00e0 une instance de Series<\/em>. Algorithmiquement adoss\u00e9e \u00e0 une table de hachage hautement optimis\u00e9e, cette fonction parcourt le vecteur de donn\u00e9es et compile les effectifs de chaque modalit\u00e9, retournant un r\u00e9sultat tri\u00e9 par d\u00e9faut dans un ordre d’occurrences strictement d\u00e9croissant. Ce comportement par d\u00e9faut s’av\u00e8re id\u00e9al pour identifier imm\u00e9diatement le mode empirique et d\u00e9celer la longue tra\u00eene des cat\u00e9gories marginales.<\/p>\n

Un enjeu m\u00e9thodologique crucial dans l’utilisation de value_counts()<\/em> concerne le traitement des lacunes d’observation. Par d\u00e9faut, la m\u00e9thode masque silencieusement les valeurs manquantes en configurant l’argument dropna=True<\/em>. Cette omission dissimule une proportion potentiellement substantielle de l’\u00e9chantillon, introduisant un biais majeur dans l’\u00e9valuation de la repr\u00e9sentativit\u00e9. L’analyste rigoureux veillera syst\u00e9matiquement \u00e0 sp\u00e9cifier dropna=False<\/em> lors de l’audit initial d’une variable cat\u00e9gorielle, afin d’\u00e9lever la valeur NaN<\/em> au rang de modalit\u00e9 \u00e0 part enti\u00e8re et de quantifier la masse d’invalidation affectant le vecteur.<\/p>\n

6.2 Fr\u00e9quences relatives et proportions cumul\u00e9es<\/h3>\n

Si la fr\u00e9quence absolue renseigne utilement sur le volume d’occurrences au sein d’un \u00e9chantillon d\u00e9termin\u00e9, elle \u00e9choue \u00e0 permettre des comparaisons rigoureuses entre \u00e9chantillons de dimensions in\u00e9gales. L’\u00e9tape analytique subs\u00e9quente consiste donc \u00e0 convertir ces effectifs bruts en fr\u00e9quences relatives (ou proportions), op\u00e9ration math\u00e9matique \u00e9l\u00e9mentaire consistant \u00e0 diviser l’effectif d’une modalit\u00e9 $n_k$<\/span> par la taille totale de l’\u00e9chantillon valide $n$<\/span>.<\/p>\n

Sous Pandas, cette transition s’effectue sans effort en renseignant le param\u00e8tre normalize=True<\/em> au sein de la m\u00e9thode value_counts()<\/em>. Le r\u00e9sultat d\u00e9livre une distribution empirique de probabilit\u00e9 discr\u00e8te o\u00f9 la somme des proportions \u00e9gale exactement 1 (soit 100% de la masse d’observations). Ce tableau de proportions relatives constitue le mat\u00e9riau brut privil\u00e9gi\u00e9 pour la formalisation des r\u00e9sultats selon les normes de communication acad\u00e9mique, o\u00f9 les pourcentages permettent une mise en perspective universelle.<\/p>\n

Pour les variables ordinales et quantitatives discr\u00e8tes, l’analyse gagne \u00e0 \u00eatre compl\u00e9t\u00e9e par le calcul des fr\u00e9quences relatives cumul\u00e9es. En appliquant la m\u00e9thode cumsum()<\/em> sur la s\u00e9rie des fr\u00e9quences relatives pr\u00e9alablement tri\u00e9e selon l’ordre intrins\u00e8que des modalit\u00e9s (obtenu via sort_index()<\/em>), on construit la fonction de r\u00e9partition empirique discr\u00e8te. Cette approche permet de r\u00e9pondre imm\u00e9diatement \u00e0 des questions inf\u00e9rentielles de seuil : quelle est la proportion de patients affichant un stade de s\u00e9v\u00e9rit\u00e9 inf\u00e9rieur ou \u00e9gal au stade 2 ? En regroupant fr\u00e9quences absolues, pourcentages relatifs et pourcentages cumul\u00e9s au sein d’un m\u00eame DataFrame via la m\u00e9thode pd.concat()<\/em>, l’analyste confectionne un tableau de fr\u00e9quences complet et exhaustif, pr\u00eat pour une int\u00e9gration directe dans un manuscrit de recherche.<\/p>\n

6.3 Discr\u00e9tisation de variables continues (Binning)<\/h3>\n

L’application directe de tableaux de fr\u00e9quences sur des variables quantitatives continues s’av\u00e8re op\u00e9rationnellement inop\u00e9rante en raison de la dispersion quasi-infinie des r\u00e9els, qui aboutit \u00e0 une liste de fr\u00e9quences unitaires de valeur 1. Pour soumettre une variable continue \u00e0 l’analyse tabulaire de distribution, le chercheur doit recourir \u00e0 un protocole de discr\u00e9tisation artificielle, d\u00e9sign\u00e9 sous le terme technique de binning<\/em> ou d\u00e9coupage en classes d’intervalles.<\/p>\n

Pandas offre deux fonctions compl\u00e9mentaires pour accomplir cette op\u00e9ration : pd.cut()<\/em> et pd.qcut()<\/em>, chacune incarnant une philosophie g\u00e9om\u00e9trique distincte. La fonction pd.cut()<\/em> segmente le domaine de variation de la variable en intervalles d’\u00e9gale amplitude spatiale. Par exemple, segmenter un vecteur de scores variant de 0 \u00e0 100 en 5 classes g\u00e9n\u00e9rera des segments de largeur uniforme de 20 unit\u00e9s ($[0-20], [20-40], dots$<\/span>). Bien qu’intuitive, cette segmentation pr\u00e9sente l’inconv\u00e9nient majeur de pouvoir engendrer des classes presque d\u00e9sertes lorsque la distribution des donn\u00e9es sous-jacente est fortement asym\u00e9trique.<\/p>\n

\u00c0 l’inverse, la fonction pd.qcut()<\/em> op\u00e8re une discr\u00e9tisation bas\u00e9e sur les quantiles empiriques, g\u00e9n\u00e9rant des classes d’amplitudes variables mais garantissant des effectifs d’observations rigoureusement identiques au sein de chaque intervalle (d\u00e9coupage en d\u00e9ciles ou en quintiles). Ce partitionnement par effectifs constants neutralise l’impact des asym\u00e9tries et facilite l’analyse comparative des segments extr\u00eames. Les s\u00e9ries discr\u00e9tis\u00e9es ainsi engendr\u00e9es sont imm\u00e9diatement traitables par la m\u00e9thode value_counts()<\/em> pour g\u00e9n\u00e9rer des tableaux de distribution de classes d’une clart\u00e9 p\u00e9dagogique irr\u00e9prochable.<\/p>\n

7. 7. Visualisation graphique des variables quantitatives continues<\/h2>\n

7.1 L’histogramme et l’estimation de la densit\u00e9 par noyau (KDE)<\/h3>\n

L’histogramme constitue l’art\u00e9fact graphique canonique pour appr\u00e9hender la distribution spatiale d’une variable quantitative continue. Introduit \u00e0 la fin du XIXe si\u00e8cle par Karl Pearson, il partitionne l’axe des abscisses en une succession de rectangles adjacents repr\u00e9sentant des intervalles de valeurs, dont l’aire totale \u2014 ou la hauteur en cas d’intervalles constants \u2014 est rigoureusement proportionnelle au nombre d’observations tombant dans chaque intervalle.<\/p>\n

La biblioth\u00e8que Seaborn simplifie consid\u00e9rablement la g\u00e9n\u00e9ration d’histogrammes modernes gr\u00e2ce \u00e0 sa fonction seaborn.histplot()<\/em>. L’un des dilemmes m\u00e9thodologiques centraux r\u00e9side dans la s\u00e9lection du nombre ad\u00e9quat d’intervalles (bins<\/em>). Un partitionnement trop grossier dissimule les singularit\u00e9s de la distribution, tandis qu’un d\u00e9coupage trop fin pulv\u00e9rise l’information sous forme d’un bruit graphique illisible. La litt\u00e9rature statistique propose plusieurs r\u00e8gles computationnelles formalis\u00e9es, notamment la r\u00e8gle de Sturges (adapt\u00e9e aux distributions quasi-gaussiennes de taille mod\u00e9r\u00e9e) et la r\u00e8gle de Freedman-Diaconis. Cette derni\u00e8re, hautement recommand\u00e9e pour les donn\u00e9es bruit\u00e9es ou asym\u00e9triques, d\u00e9termine la largeur optimale des classes en fonction de l’\u00e9cart interquartile :<\/p>\n

$$\\text{Largeur} = 2 \\times IQR \\times n^{-1\/3}$$<\/span><\/p>\n

\"\"<\/figure>\n

Pour d\u00e9passer le caract\u00e8re discontinu de l’histogramme, l’estimation de la densit\u00e9 par noyau (Kernel Density Estimation<\/em> ou KDE) fournit une approximation continue et diff\u00e9rentiable de la fonction de densit\u00e9 de probabilit\u00e9 sous-jacente. En superposant sur chaque observation une fonction de noyau gaussienne liss\u00e9e et en sommant l’ensemble de ces contributions locales, la courbe KDE, activ\u00e9e dans Seaborn par l’argument kde=True<\/em>, d\u00e9voile la g\u00e9om\u00e9trie sous-jacente de la distribution sans subir les artefacts de fronti\u00e8res inh\u00e9rents au choix des classes discr\u00e8tes.<\/p>\n

7.2 La bo\u00eete \u00e0 moustaches (Boxplot)<\/h3>\n

Conceptualis\u00e9e par John Tukey dans le cadre de ses travaux fondateurs sur l’analyse exploratoire des donn\u00e9es, la bo\u00eete \u00e0 moustaches (boxplot<\/em>) est un chef-d’\u0153uvre de concision visuelle, condensant en une silhouette g\u00e9om\u00e9trique standardis\u00e9e le r\u00e9sum\u00e9 non param\u00e9trique des cinq nombres : le minimum non atypique, le premier quartile ($Q_1$<\/span>), la m\u00e9diane statistique ($Q_2$<\/span>), le troisi\u00e8me quartile ($Q_3$<\/span>) et le maximum non atypique.<\/p>\n

La construction graphique s’articule autour d’un rectangle central (la bo\u00eete) dont les charni\u00e8res inf\u00e9rieure et sup\u00e9rieure co\u00efncident avec $Q_1$<\/span> et $Q_3$<\/span>, mat\u00e9rialisant ainsi visuellement l’\u00e9cart interquartile (IQR). Une ligne continue interne scinde la bo\u00eete au niveau exact de la m\u00e9diane. De chaque c\u00f4t\u00e9 de la bo\u00eete s’\u00e9tirent des segments lin\u00e9aires, les moustaches (whiskers<\/em>), dont l’extension est strictement encadr\u00e9e par la convention de Tukey : la moustache sup\u00e9rieure s’\u00e9tend jusqu’\u00e0 l’observation la plus \u00e9lev\u00e9e contenue dans la limite th\u00e9orique $Q_3 + 1.5 \\times IQR$<\/span>, tandis que la moustache inf\u00e9rieure s’arr\u00eate \u00e0 la plus petite observation situ\u00e9e au-dessus de la fronti\u00e8re $Q_1 – 1.5 \\times IQR$<\/span>.<\/p>\n

Toute donn\u00e9e se positionnant au-del\u00e0 de ces fronti\u00e8res conventionnelles est consid\u00e9r\u00e9e comme une valeur atypique potentielle et figure sous forme de points individualis\u00e9s sur le graphique. G\u00e9n\u00e9r\u00e9 en Python au moyen de seaborn.boxplot()<\/em>, le boxplot autorise un diagnostic instantan\u00e9 de la sym\u00e9trie : si la m\u00e9diane n’occupe pas le centre g\u00e9om\u00e9trique de la bo\u00eete et si les longueurs des deux moustaches sont asym\u00e9triques, l’hypoth\u00e8se de sym\u00e9trie gaussienne peut \u00eatre \u00e9cart\u00e9e. Sa principale limite graphique r\u00e9side toutefois dans son incapacit\u00e9 structurelle \u00e0 r\u00e9v\u00e9ler la bimodalit\u00e9 : une distribution unimodale sym\u00e9trique et une distribution bimodale parfaitement \u00e9quilibr\u00e9e peuvent engendrer des diagrammes en bo\u00eete visuellement indiscernables.<\/p>\n

7.3 Le diagramme en violon (Violin Plot)<\/h3>\n

Pour combler les carences descriptives de la bo\u00eete \u00e0 moustaches face aux distributions complexes, Daniel Hintze et Ray Nelson ont con\u00e7u en 1998 le diagramme en violon (violin plot<\/em>). Cet art\u00e9fact hybride r\u00e9alise la fusion syn\u00e9rgique d’un boxplot conventionnel miniature ins\u00e9r\u00e9 dans son axe central et d’une estimation de densit\u00e9 par noyau sym\u00e9tris\u00e9e en miroir de part et d’autre de cet axe.<\/p>\n

Le trac\u00e9 d’un diagramme en violon s’op\u00e8re sous Python gr\u00e2ce \u00e0 la fonction seaborn.violinplot()<\/em>. La silhouette ext\u00e9rieure traduit imm\u00e9diatement les variations de densit\u00e9 locale : les \u00e9largissements renfl\u00e9s du trac\u00e9 signalent des concentrations massives de donn\u00e9es (les modes), tandis que les r\u00e9tr\u00e9cissements allong\u00e9s indiquent des zones de relative vacuit\u00e9 empirique. Cette morphologie \u00e9vocatrice permet d’identifier au premier coup d’\u0153il une multi-modalit\u00e9 insidieuse qu’un simple boxplot aurait masqu\u00e9e.<\/p>\n

L’analyste dispose en outre d’arguments de configuration avanc\u00e9s, tels que inner=’quartile’<\/em> pour afficher explicitement les lignes de quantiles \u00e0 l’int\u00e9rieur du profil de densit\u00e9, ou bw_adjust<\/em> pour moduler le param\u00e8tre de lissage de la bande passante du noyau d’estimation. Dans les publications acad\u00e9miques contemporaines, le diagramme en violon se substitue de plus en plus au boxplot classique, fournissant aux lecteurs une lecture morphologique plus riche et non biais\u00e9e de la distribution de chaque variable continue explor\u00e9e.<\/p>\n

8. 8. Visualisation graphique des variables qualitatives et discr\u00e8tes<\/h2>\n

8.1 Le diagramme en barres (Bar Chart)<\/h3>\n

L’exploration visuelle des variables cat\u00e9gorielles nominales et ordinales, de m\u00eame que celle des variables quantitatives discr\u00e8tes comportant un nombre mod\u00e9r\u00e9 de valeurs enti\u00e8res, repose principalement sur le diagramme en barres (bar chart<\/em>). Dans cette repr\u00e9sentation, chaque cat\u00e9gorie discr\u00e8te est mat\u00e9rialis\u00e9e par une barre isol\u00e9e sur un axe cart\u00e9sien, la longueur ou la hauteur de la barre \u00e9tant proportionnelle \u00e0 la fr\u00e9quence absolue ou relative de la modalit\u00e9 associ\u00e9e.<\/p>\n

Sous l’environnement Python, l’outil le plus direct et \u00e9l\u00e9gant pour instancier cette figure est la fonction seaborn.countplot()<\/em>. Contrairement \u00e0 un histogramme, o\u00f9 les rectangles sont contigus pour refl\u00e9ter le continuum sous-jacent de l’espace de mesure des r\u00e9els, les barres d’un diagramme cat\u00e9goriel doivent imp\u00e9rativement \u00eatre s\u00e9par\u00e9es par des espaces interstitiels francs. Cet agencement visuel rappelle qu’il n’existe aucune continuit\u00e9 math\u00e9matique entre les diff\u00e9rentes modalit\u00e9s.<\/p>\n

\"\"<\/figure>\n

Pour optimiser la lisibilit\u00e9 du graphique, il est recommand\u00e9 d’ordonner les barres de mani\u00e8re raisonn\u00e9e. Pour une variable nominale, ordonner les cat\u00e9gories par effectifs d\u00e9croissants via le param\u00e8tre order=df[‘variable’].value_counts().index<\/em> am\u00e9liore significativement la clart\u00e9 visuelle. Pour une variable ordinale, les barres doivent imp\u00e9rativement respecter la hi\u00e9rarchie intrins\u00e8que des modalit\u00e9s. Enfin, l’adjonction textuelle pr\u00e9cise des effectifs ou des pourcentages au sommet de chaque rectangle, r\u00e9alis\u00e9e \u00e0 l’aide de la m\u00e9thode ax.bar_label()<\/em> introduite dans les versions r\u00e9centes de Matplotlib, conf\u00e8re \u00e0 la figure un niveau d’exhaustivit\u00e9 et de rigueur tout \u00e0 fait conforme aux standards des revues scientifiques.<\/p>\n

8.2 Le diagramme circulaire (Pie Chart) et ses limites critiques<\/h3>\n

Le diagramme circulaire (ou camembert) constitue historiquement l’une des figures les plus omnipr\u00e9sentes dans la communication m\u00e9diatique et corporative pour illustrer la r\u00e9partition proportionnelle d’une variable nominale. G\u00e9n\u00e9r\u00e9 sous Python via l’appel de matplotlib.pyplot.pie()<\/em> avec l’argument autopct=’%1.1f%%’<\/em>, ce graphique d\u00e9ploie un cercle partitionn\u00e9 en secteurs angulaires dont l’aire et l’angle au centre sont th\u00e9oriquement proportionnels \u00e0 la fr\u00e9quence relative de chaque cat\u00e9gorie.<\/p>\n

En d\u00e9pit de sa popularit\u00e9 vernaculaire, le diagramme circulaire fait l’objet d’une r\u00e9probation quasi unanime au sein de la communaut\u00e9 statistique et graphique acad\u00e9mique. Cette d\u00e9faveur s’enracine dans les limites physiologiques de la perception visuelle humaine. De nombreuses recherches en psychologie cognitive d\u00e9montrent avec constance que le cerveau humain est m\u00e9diocre dans l’estimation comparative des angles et des surfaces curvilignes, alors qu’il excelle dans le jugement d’alignements lin\u00e9aires sur une \u00e9chelle gradu\u00e9e commune.<\/p>\n

D\u00e8s lors qu’une variable nominale d\u00e9ploie plus de trois ou quatre modalit\u00e9s distinctes, ou que les proportions relatives des cat\u00e9gories sont proches, la discrimination visuelle des secteurs angulaires devient al\u00e9atoire et propice aux illusions perceptuelles. Cette vuln\u00e9rabilit\u00e9 cognitive est encore aggrav\u00e9e lors de l’utilisation de projections tridimensionnelles (\u00e0 proscrire rigoureusement), qui distorcent d\u00e9lib\u00e9r\u00e9ment les angles situ\u00e9s au premier plan. Par cons\u00e9quent, les directives graphiques acad\u00e9miques pr\u00e9conisent presque universellement de substituer au diagramme circulaire un diagramme en barres horizontales, sur lequel la comparaison visuelle des longueurs assure une interpr\u00e9tation non \u00e9quivoque des proportions.<\/p>\n

8.3 Le diagramme \u00e0 points et distribution empirique cumul\u00e9e (ECDF)<\/h3>\n

Pour visualiser une variable quantitative continue ou ordonn\u00e9e sans encourir les pertes d’information inh\u00e9rentes au d\u00e9coupage en classes de l’histogramme, le diagramme de la fonction de r\u00e9partition empirique cumul\u00e9e (Empirical Cumulative Distribution Function<\/em> ou ECDF) repr\u00e9sente la r\u00e9f\u00e9rence m\u00e9thodologique absolue. L’ECDF associe \u00e0 chaque valeur observ\u00e9e sur l’axe des abscisses la proportion exacte des donn\u00e9es qui lui sont inf\u00e9rieures ou \u00e9gales sur l’axe des ordonn\u00e9es (variant strictement de 0 \u00e0 1).<\/p>\n

L’impl\u00e9mentation graphique de cette m\u00e9thode sous Python s’ex\u00e9cute nativement via la fonction seaborn.ecdfplot()<\/em>. L’atout m\u00e9thodologique majeur de l’ECDF r\u00e9side dans son caract\u00e8re non param\u00e9trique complet : son trac\u00e9 ne d\u00e9pend d’aucun param\u00e8tre arbitraire de largeur de bande passante (comme le KDE) ni d’aucun choix du nombre de classes (comme l’histogramme). Chaque observation individuelle de l’\u00e9chantillon est repr\u00e9sent\u00e9e par une marche d’escalier de hauteur $1\/n$<\/span>, fournissant une transcription fid\u00e8le de l’ensemble des donn\u00e9es collect\u00e9es.<\/p>\n

Le trac\u00e9 ECDF permet une lecture directe des percentiles : il suffit de tracer une ligne horizontale \u00e0 l’ordonn\u00e9e $0.5$ pour identifier instantan\u00e9ment la m\u00e9diane sur l’axe des abscisses. De m\u00eame, les pentes abruptes r\u00e9v\u00e8lent visuellement les zones de forte densit\u00e9 de probabilit\u00e9, tandis que les paliers horizontaux signalent des intervalles de valeurs rares ou inexistantes. Enfin, la comparaison de l’ECDF d’un \u00e9chantillon avec la fonction de r\u00e9partition th\u00e9orique d’une loi de probabilit\u00e9 permet de mesurer visuellement les d\u00e9viations de distribution qui sous-tendent les tests d’ad\u00e9quation formels de Kolmogorov-Smirnov.<\/p>\n

9. 9. D\u00e9tection et traitement univari\u00e9 des valeurs aberrantes<\/h2>\n

9.1 Identification par la m\u00e9thode du Z-score<\/h3>\n

Une \u00e9tape d\u00e9terminante de l’audit univari\u00e9 concerne la d\u00e9tection des valeurs aberrantes (outliers<\/em>), c’est-\u00e0-dire d’observations s’\u00e9cartant si substantiellement du corps central de la distribution qu’elles \u00e9veillent la suspicion d’une erreur de saisie, d’une avarie instrumentale ou d’un comportement structurellement singulier au sein de la population g\u00e9n\u00e9ratrice. La technique param\u00e9trique la plus traditionnelle repose sur le calcul de la cote standard, universellement d\u00e9sign\u00e9e sous le vocable de Z-score.<\/p>\n

Pour chaque observation $x_i$<\/span>, le Z-score exprime la d\u00e9viation de la valeur brute par rapport \u00e0 la moyenne arithm\u00e9tique de l’\u00e9chantillon, \u00e9talonn\u00e9e en unit\u00e9s d’\u00e9cart-type :<\/p>\n

$$z_i = \\frac{x_i – \\bar{x}}{s}$$<\/span><\/p>\n

Sous Python, ce calcul vectoris\u00e9 s’ex\u00e9cute ais\u00e9ment \u00e0 l’aide de la fonction scipy.stats.zscore()<\/em>. Conform\u00e9ment aux propri\u00e9t\u00e9s math\u00e9matiques de la loi normale centr\u00e9e r\u00e9duite $\\mathcal{N}(0, 1)$<\/span>, environ 99.73% des observations th\u00e9oriques sont confin\u00e9es dans un intervalle de plus ou moins trois \u00e9carts-types autour de la moyenne. En cons\u00e9quence, la r\u00e8gle d’exclusion param\u00e9trique classique retient le seuil critique absolu $|z_i| > 3$<\/span> pour \u00e9tiqueter une observation comme valeur aberrante suspecte.<\/p>\n

N\u00e9anmoins, l’analyste critique doit imp\u00e9rativement garder \u00e0 l’esprit la fragilit\u00e9 m\u00e9thodologique inh\u00e9rente au Z-score classique. Ce dernier repose en effet sur la moyenne et l’\u00e9cart-type, deux m\u00e9triques hyper-sensibles \u00e0 ces m\u00eames valeurs extr\u00eames. Ainsi, la pr\u00e9sence d’aberrations massives tend \u00e0 gonfler artificiellement l’\u00e9cart-type de l’\u00e9chantillon, ce qui resserre ind\u00fbment les Z-scores des observations p\u00e9riph\u00e9riques et engendre un effet d\u00e9l\u00e9t\u00e8re de masquage (masking effect<\/em>). Dans ces contextes asym\u00e9triques, l’utilisation du Z-score modifi\u00e9 fond\u00e9 sur la m\u00e9diane et l’\u00e9cart absolu m\u00e9dian (MAD) est nettement pr\u00e9f\u00e9rable.<\/p>\n

9.2 Identification non param\u00e9trique par l’intervalle interquartile<\/h3>\n

Face aux limites du Z-score en pr\u00e9sence de distributions asym\u00e9triques ou fortement bruit\u00e9es, l’approche non param\u00e9trique \u00e9labor\u00e9e par John Tukey s’impose comme le standard m\u00e9thodologique de d\u00e9tection univari\u00e9e le plus robuste. Cette approche ne postule aucune forme normale a priori et se fonde exclusivement sur la structure ordinale des quartiles empiriques et de l’\u00e9cart interquartile (IQR).<\/p>\n

La r\u00e8gle de d\u00e9tection de Tukey d\u00e9limite deux barri\u00e8res de coupure arithm\u00e9tiques, \u00e9tablies \u00e0 partir du premier et du troisi\u00e8me quartiles de la distribution :<\/p>\n

$$\\text{Borne inf\u00e9rieure} = Q_1 – 1.5 \\times IQR$$<\/span><\/p>\n

$$\\text{Borne sup\u00e9rieure} = Q_3 + 1.5 \\times IQR$$<\/span><\/p>\n

Toute observation s’\u00e9chouant au-del\u00e0 de ces fronti\u00e8res conventionnelles est catalogu\u00e9e comme valeur aberrante mod\u00e9r\u00e9e. La taxinomie de Tukey affine en outre ce diagnostic en introduisant des barri\u00e8res ext\u00e9rieures situ\u00e9es \u00e0 $3 \\times IQR$<\/span> des charni\u00e8res ($Q_1 – 3 \\times IQR$<\/span> et $Q_3 + 3 \\times IQR$<\/span>) : toute donn\u00e9e franchissant ces seuils extr\u00eames est qualifi\u00e9e d’aberrante s\u00e9v\u00e8re (far outlier<\/em>), signalant une perturbation empirique majeure.<\/p>\n

L’extraction informatique de ces sous-populations d’aberrations en Python s’ex\u00e9cute par un simple filtrage bool\u00e9en vectoris\u00e9 combinant les m\u00e9thodes quantile()<\/em> de Pandas. L’int\u00e9r\u00eat majeur de l’algorithme de Tukey r\u00e9side dans son immunit\u00e9 aux effets de masquage : les quartiles et l’IQR \u00e9tant insensibles \u00e0 la d\u00e9rive des valeurs extr\u00eames elles-m\u00eames, les fronti\u00e8res de d\u00e9cision conservent leur stabilit\u00e9 descriptive quelle que soit l’ampleur des d\u00e9viations p\u00e9riph\u00e9riques observ\u00e9es.<\/p>\n

9.3 Protocoles de rem\u00e9diation des valeurs atypiques<\/h3>\n

Une fois les observations atypiques localis\u00e9es, l’analyste fait face au probl\u00e8me d\u00e9licat de leur prise en charge m\u00e9thodologique. La suppression aveugle et syst\u00e9matique des valeurs atypiques constitue une faute m\u00e9thodologique grave. En effet, un point atypique peut parfaitement repr\u00e9senter non pas une anomalie exp\u00e9rimentale, mais l’observation la plus informative de tout l’\u00e9chantillon (d\u00e9tection d’une fraude bancaire in\u00e9dite, identification d’une mutation g\u00e9n\u00e9tique rare, d\u00e9couverte d’une d\u00e9faillance industrielle pr\u00e9coce). Trois voies de rem\u00e9diation formelles sont g\u00e9n\u00e9ralement envisageables selon les objectifs analytiques vis\u00e9s.<\/p>\n

La premi\u00e8re technique est l’exclusion motiv\u00e9e (trimming<\/em>). Elle consiste \u00e0 purger l’\u00e9chantillon des lignes suspectes, une option strictement r\u00e9serv\u00e9e aux cas o\u00f9 l’anomalie d\u00e9coule d’une erreur de collecte ou de transcription document\u00e9e (comme un \u00e2ge humain saisi \u00e0 999 ans). La deuxi\u00e8me alternative r\u00e9side dans la winsorisation, une op\u00e9ration non param\u00e9trique issue des travaux de Charles Winsor, impl\u00e9ment\u00e9e en Python via la fonction scipy.stats.mstats.winsorize()<\/em>. Ce proc\u00e9d\u00e9 ne supprime point les observations extr\u00eames, mais r\u00e9assigne leur amplitude \u00e0 des seuils percentiles acceptables pr\u00e9alablement d\u00e9finis (par exemple, ramener l’ensemble des donn\u00e9es situ\u00e9es au-del\u00e0 du 99e percentile \u00e0 la valeur exacte de ce percentile). Cette approche permet de conserver la puissance statistique de la taille de l’\u00e9chantillon initial tout en \u00e9touffant l’impact d\u00e9stabilisateur des valeurs p\u00e9riph\u00e9riques sur le calcul des moments statistiques.<\/p>\n

La troisi\u00e8me approche, particuli\u00e8rement adapt\u00e9e aux distributions \u00e9tir\u00e9es vers la droite, s’appuie sur des transformations math\u00e9matiques stabilisatrices de variance. L’application d’une transformation logarithmique via numpy.log1p()<\/em>, ou d’une transformation racine carr\u00e9e via numpy.sqrt()<\/em>, compresse drastiquement les grands \u00e9carts sur l’axe des abscisses tout en pr\u00e9servant l’ordonnancement monotone des observations. Cette manipulation rapproche la distribution d’un profil gaussien sym\u00e9trique, permettant ainsi de conserver l’ensemble des observations au sein des mod\u00e9lisations statistiques ult\u00e9rieures.<\/p>\n

10. 10. Tests statistiques univari\u00e9s de normalit\u00e9<\/h2>\n

10.1 \u00c9valuation graphique via le diagramme quantile-quantile (Q-Q Plot)<\/h3>\n

Dans de nombreux contextes de recherche empirique, l’analyste est amen\u00e9 \u00e0 v\u00e9rifier si sa variable continue se conforme \u00e0 une distribution normale, postulat fondamental garantissant la validit\u00e9 math\u00e9matique de nombreuses m\u00e9thodes param\u00e9triques (tests t de Student, analyse de variance ANOVA, r\u00e9gressions lin\u00e9aires par moindres carr\u00e9s). La premi\u00e8re \u00e9tape de ce diagnostic doit imp\u00e9rativement \u00eatre visuelle, gr\u00e2ce au trac\u00e9 du diagramme quantile-quantile (Q-Q plot).<\/p>\n

Le principe th\u00e9orique du diagramme Q-Q repose sur la projection cart\u00e9sienne de deux s\u00e9ries de quantiles : en ordonn\u00e9es figurent les quantiles empiriques extraits directement de l’\u00e9chantillon ordonn\u00e9, tandis qu’en abscisses sont align\u00e9s les quantiles th\u00e9oriques attendus pour une distribution normale standard $\\mathcal{N}(0, 1)$<\/span> de taille identique. Si l’\u00e9chantillon empirique est issu d’une population gaussienne, les points doivent rigoureusement s’aligner sur une ligne de r\u00e9f\u00e9rence diagonale.<\/p>\n

Sous Python, la confection d’un diagramme Q-Q s’ex\u00e9cute \u00e0 l’aide des fonctions statsmodels.api.qqplot(line=’s’)<\/em> ou scipy.stats.probplot()<\/em>. L’interpr\u00e9tation s\u00e9miologique des d\u00e9viations par rapport \u00e0 la droite diagonale s’av\u00e8re extr\u00eamement informative : une courbure en forme de \u00ab S \u00bb invers\u00e9 d\u00e9note des queues de distribution plus \u00e9paisses que pr\u00e9vu (caract\u00e8re leptokurtique), les points s’\u00e9cartant de la diagonale aux extr\u00e9mit\u00e9s sup\u00e9rieure et inf\u00e9rieure. \u00c0 l’inverse, une d\u00e9viation incurv\u00e9e globale en forme de parabole concave ou convexe r\u00e9v\u00e8le une asym\u00e9trie marqu\u00e9e (positive ou n\u00e9gative), orientant d’embl\u00e9e l’analyste vers des ajustements non param\u00e9triques.<\/p>\n

\"\"<\/figure>\n

10.2 Le test de Shapiro-Wilk<\/h3>\n

L’\u00e9valuation visuelle du diagramme Q-Q doit \u00eatre corrobor\u00e9e par des tests d’hypoth\u00e8ses formels. Parmi l’\u00e9ventail des tests de normalit\u00e9 disponibles dans la litt\u00e9rature biom\u00e9trique, le test d\u00e9velopp\u00e9 par Samuel Shapiro et Martin Wilk en 1965 s’impose empiriquement comme le test le plus puissant et le plus sensible pour d\u00e9tecter les d\u00e9viations de normalit\u00e9 sur des \u00e9chantillons de petite et moyenne envergure (typiquement pour $n < 50$<\/span> ou $n < 2000$<\/span>).<\/p>\n

La statistique du test, conventionnellement d\u00e9sign\u00e9e par la lettre $W$<\/span>, mesure le ratio entre l’estimateur de la pente issu de la r\u00e9gression lin\u00e9aire des quantiles ordonn\u00e9s et la variance d’\u00e9chantillon classique. L’impl\u00e9mentation algorithmique en Python s’ex\u00e9cute par l’invocation directe de la fonction scipy.stats.shapiro()<\/em>, laquelle retourne conjointement la statistique $W$<\/span> et la p-valeur (p-value<\/em>) associ\u00e9e sous l’hypoth\u00e8se nulle ($H_0$<\/span>) postulant que l’\u00e9chantillon est extrait d’une population distribu\u00e9e selon une loi normale.<\/p>\n

L’interpr\u00e9tation de la p-valeur s’effectue au regard d’un seuil de significativit\u00e9 $\\alpha$<\/span>, traditionnellement fix\u00e9 \u00e0 $0.05$. Si la p-valeur exc\u00e8de ce seuil ($p > 0.05$<\/span>), on ne peut rejeter l’hypoth\u00e8se nulle : la d\u00e9viation observ\u00e9e est alors jug\u00e9e compatible avec les fluctuations d’\u00e9chantillonnage al\u00e9atoire. En revanche, si la p-valeur est inf\u00e9rieure au seuil critique ($p le 0.05$<\/span>), l’hypoth\u00e8se nulle est rejet\u00e9e avec un risque contr\u00f4l\u00e9, confirmant que la distribution empirique s’\u00e9carte significativement du mod\u00e8le gaussien. Il convient toutefois de souligner une limite m\u00e9thodologique fondamentale du test de Shapiro-Wilk : sur de tr\u00e8s volumineuses cohortes (par exemple $n > 5000$<\/span>), le test devient hyper-sensible et rejette syst\u00e9matiquement la normalit\u00e9 pour des \u00e9carts morphologiques infimes et pratiquement insignifiants.<\/p>\n

10.3 Tests de D’Agostino-Pearson et de Kolmogorov-Smirnov<\/h3>\n

Pour parer \u00e0 la sensibilit\u00e9 excessive du test de Shapiro-Wilk face aux grands volumes de donn\u00e9es et disposer de diagnostics compl\u00e9mentaires, d’autres tests inf\u00e9rentiels s’av\u00e8rent pr\u00e9cieux. Le test omnibus de D’Agostino et Pearson r\u00e9unit \u00e9l\u00e9gamment l’analyse de l’asym\u00e9trie et de l’aplatissement au sein d’une m\u00eame statistique de test composite, distribu\u00e9e asymptotiquement selon une loi du chi-deux ($\\chi^2$<\/span>) \u00e0 deux degr\u00e9s de libert\u00e9 sous l’hypoth\u00e8se nulle de normalit\u00e9.<\/p>\n

La biblioth\u00e8que SciPy met \u00e0 disposition ce test via l’appel de scipy.stats.normaltest()<\/em>. Ce test \u00e9value si le coefficient d’asym\u00e9trie et le coefficient d’aplatissement de l’\u00e9chantillon s’\u00e9cartent conjointement des valeurs th\u00e9oriques attendues pour une gaussienne ($0$ pour les deux m\u00e9triques centr\u00e9es). Cette approche pr\u00e9sente l’avantage p\u00e9dagogique majeur d’identifier explicitement la nature g\u00e9om\u00e9trique de la non-normalit\u00e9 constat\u00e9e, selon que la d\u00e9faillance statistique provienne principalement de l’asym\u00e9trie ou de l’\u00e9paisseur des queues de distribution.<\/p>\n

Enfin, le test de Kolmogorov-Smirnov (accessible via scipy.stats.kstest()<\/em>) op\u00e8re sur un principe diff\u00e9rent, en calculant la distance g\u00e9om\u00e9trique maximale $D$<\/span> s\u00e9parant la fonction de r\u00e9partition empirique (ECDF) de l’\u00e9chantillon et la fonction de r\u00e9partition th\u00e9orique continue sp\u00e9cifi\u00e9e. Lorsqu’il est appliqu\u00e9 \u00e0 la normalit\u00e9 avec des param\u00e8tres de moyenne et d’\u00e9cart-type estim\u00e9s directement sur l’\u00e9chantillon, ce test doit imp\u00e9rativement faire l’objet de la correction des tables de Lilliefors (accessible via le module statsmodels.stats.diagnostic.lilliefors()<\/em>). Si cette convergence de tests formels et de visualisations graphiques conclut au rejet net de l’hypoth\u00e8se de normalit\u00e9, l’analyste dispose de justifications solides pour abandonner les indicateurs gaussiens au profit de statistiques non param\u00e9triques (m\u00e9diane, IQR) et de tests de rangs (Wilcoxon, Mann-Whitney).<\/p>\n

11. 11. Automatisation de l’analyse univari\u00e9e et rapports synth\u00e9tiques<\/h2>\n

11.1 Cr\u00e9ation d’une fonction Python r\u00e9utilisable d’analyse univari\u00e9e<\/h3>\n

Face \u00e0 des jeux de donn\u00e9es d’entreprise ou des cohortes scientifiques comportant des dizaines, voire des centaines de variables h\u00e9t\u00e9rog\u00e8nes, la r\u00e9\u00e9criture it\u00e9rative des scripts d’analyse univari\u00e9e s’av\u00e8re fastidieuse et propice aux erreurs de copi\u00e9-coll\u00e9. L’analyste moderne doit concevoir des fonctions d’encapsulation modulaires capables d’inspecter dynamiquement la typologie de chaque colonne et d’ex\u00e9cuter la batterie de tests appropri\u00e9e.<\/p>\n

Une fonction d’automatisation rigoureuse doit recevoir en param\u00e8tre une Series<\/em> Pandas ou un couple (DataFrame, nom_de_colonne)<\/em>. Dans un premier temps, la fonction \u00e9value la nature de la variable : si le type est identifi\u00e9 comme cat\u00e9goriel, textuel ou bool\u00e9en, l’algorithme g\u00e9n\u00e8re les tableaux de fr\u00e9quences absolues et relatives \u00e0 l’aide de value_counts()<\/em>, calcule le mode empirique et quantifie la proportion de valeurs manquantes. Si la variable s’av\u00e8re num\u00e9rique, la routine calcule les descripteurs de tendance centrale (moyenne, moyenne tronqu\u00e9e, m\u00e9diane), les m\u00e9triques de dispersion (\u00e9tendue, \u00e9cart interquartile, variance, \u00e9cart-type corrig\u00e9, coefficient de variation), ainsi que les moments d’ordre sup\u00e9rieur (asym\u00e9trie de Fisher, exc\u00e8s de kurtosis).<\/p>\n

Le point d’aboutissement fonctionnel de cet outil r\u00e9side dans la structuration de la sortie sous la forme d’un nouveau DataFrame Pandas synth\u00e9tique parfaitement mis en page. Cette structure tabulaire homog\u00e8ne facilite l’agr\u00e9gation transversale de l’ensemble des colonnes d’une base de donn\u00e9es, permettant de trier, filtrer et s\u00e9rier les variables selon leur degr\u00e9 d’asym\u00e9trie ou leur volume de donn\u00e9es manquantes dans le cadre d’un rapport de synth\u00e8se pr\u00e9alable \u00e0 la mod\u00e9lisation.<\/p>\n

11.2 G\u00e9n\u00e9ration de visualisations combin\u00e9es sur une figure unique<\/h3>\n

L’auscultation univari\u00e9e gagne en efficacit\u00e9 lorsqu’elle rassemble sur un m\u00eame panneau graphique multidimensionnel l’ensemble des visualisations diagnostiques compl\u00e9mentaires d’une variable quantitative. L’\u00e9laboration d’un tableau de bord visuel int\u00e9gr\u00e9 \u00e9vite de disperser les figures et permet de confronter simultan\u00e9ment les diff\u00e9rentes repr\u00e9sentations de la distribution.<\/p>\n

La mise en \u0153uvre de cette synergie graphique s’appuie sur la fonction matplotlib.pyplot.subplots()<\/em>. En param\u00e9trant une grille d’affichage compos\u00e9e d’une colonne et de trois lignes (ou une matrice $2 \\times 2$<\/span>), l’analyste peut agencer de mani\u00e8re harmonieuse :<\/p>\n