Boucles, conditions et proportions avec données OWID

Démarche de résolution

Les clés sont les noms des informations. Les crochets permettent de lire la valeur correspondant à une clé.

Code Python commenté

obs = {"pays": "France", "co2_pc": 4.7}
print(obs["pays"])
print(obs["co2_pc"])
obs["co2_pc"] = 5.1
print(obs["pays"])
print(obs["co2_pc"])

Résultat et interprétation

Avant modification : France, 4.7 ; après : France, 5.1. Le nom du pays est conservé.

Sortie de l’exécution de référence :

France
4.7
France
5.1

Démarche de résolution

Le dictionnaire de cet exercice est recréé avec 4.7. La clé population n’existe pas : remplacer cette clé par co2_pc.

Code Python commenté

obs = {"pays": "France", "co2_pc": 4.7}
print(obs["pays"])
# print(obs["population"]) provoquerait KeyError: 'population'.
print(obs["co2_pc"])

Résultat et interprétation

France puis 4.7. Les guillemets et l’orthographe exacte des clés comptent.

Sortie de l’exécution de référence :

France
4.7

Démarche de résolution

Chaque dictionnaire réunit un nom et une valeur ; la liste rassemble ces observations dans un ordre donné.

Code Python commenté

donnees = [
    {"pays": "France", "co2_pc": 4.7},
    {"pays": "Germany", "co2_pc": 7.9},
    {"pays": "Spain", "co2_pc": 5.0},
    {"pays": "Poland", "co2_pc": 8.4},
    {"pays": "United States", "co2_pc": 14.9},
    {"pays": "India", "co2_pc": 2.0},
    {"pays": "China", "co2_pc": 8.0},
    {"pays": "World", "co2_pc": 4.7}
]
print("Nombre d'observations :", len(donnees))
print("Première observation :", donnees[0])

Résultat et interprétation

8 observations ; le premier dictionnaire correspond à France, 4.7.

Sortie de l’exécution de référence :

Nombre d'observations : 8
Première observation : {'pays': 'France', 'co2_pc': 4.7}

Démarche de résolution

append ajoute le dictionnaire à la fin. La boucle parcourra automatiquement cette nouvelle ligne.

Code Python commenté

donnees.append({"pays": "Brazil", "co2_pc": 2.3})
print(len(donnees))
print(donnees[-1])

Résultat et interprétation

9 ; {'pays': 'Brazil', 'co2_pc': 2.3}.

Sortie de l’exécution de référence :

9
{'pays': 'Brazil', 'co2_pc': 2.3}

Démarche de résolution

À chaque tour de boucle, obs représente un dictionnaire différent. Le code indenté est répété pour toutes les lignes.

Code Python commenté

for obs in donnees:
    print(f"{obs['pays']} : {obs['co2_pc']:.1f} tonnes par habitant")

Résultat et interprétation

Neuf phrases, de France : 4.7 à Brazil : 2.3 tonnes par habitant.

Sortie de l’exécution de référence :

France : 4.7 tonnes par habitant
Germany : 7.9 tonnes par habitant
Spain : 5.0 tonnes par habitant
Poland : 8.4 tonnes par habitant
United States : 14.9 tonnes par habitant
India : 2.0 tonnes par habitant
China : 8.0 tonnes par habitant
World : 4.7 tonnes par habitant
Brazil : 2.3 tonnes par habitant

Démarche de résolution

Tester d’abord le seuil inférieur. Le elif est examiné seulement si la première condition est fausse : à ce stade la valeur est déjà au moins égale à 5.

Code Python commenté

for obs in donnees:
    pays = obs["pays"]
    co2 = obs["co2_pc"]
    if co2 < 5:
        categorie = "faible"
    elif co2 < 10:
        categorie = "intermediaire"
    else:
        categorie = "eleve"
    print(pays, categorie)

Résultat et interprétation

faible : France, India, World, Brazil ; intermediaire : Germany, Spain, Poland, China ; eleve : United States.

Sortie de l’exécution de référence :

France faible
Germany intermediaire
Spain intermediaire
Poland intermediaire
United States eleve
India faible
China intermediaire
World faible
Brazil faible

Démarche de résolution

Réutiliser les mêmes conditions sur quatre valeurs tests, indépendamment des données.

Code Python commenté

# Attendus : faible, intermediaire, intermediaire, eleve.
for valeur in [4.9, 5.0, 9.9, 10.0]:
    if valeur < 5:
        categorie = "faible"
    elif valeur < 10:
        categorie = "intermediaire"
    else:
        categorie = "eleve"
    print(valeur, categorie)
# 5.0 n'est pas strictement inférieur à 5 : il est intermédiaire.

Résultat et interprétation

4.9 faible ; 5.0 intermediaire ; 9.9 intermediaire ; 10.0 eleve.

Sortie de l’exécution de référence :

4.9 faible
5.0 intermediaire
9.9 intermediaire
10.0 eleve

Démarche de résolution

Initialiser le compteur avant la boucle. Ajouter 1 seulement lorsque la condition est vraie, puis diviser par le nombre total de lignes.

Code Python commenté

compteur = 0
for obs in donnees:
    if obs["co2_pc"] > 5:
        compteur = compteur + 1
proportion = compteur / len(donnees) * 100
print("Effectif au-dessus de 5 :", compteur)
print(f"{proportion:.1f} % des observations sont au-dessus du seuil.")

Résultat et interprétation

4 sur 9, soit 44.4 %. Spain vaut exactement 5 et n’est pas comptée. Avant ajout du Brésil, on aurait 4 sur 8 = 50.0 %.

Sortie de l’exécution de référence :

Effectif au-dessus de 5 : 4
44.4 % des observations sont au-dessus du seuil.

Démarche de résolution

Partir de deux listes vides. À chaque tour de boucle, ajouter le nom et sa valeur ensemble.

Code Python commenté

import matplotlib.pyplot as plt

noms_pays = []
valeurs_co2 = []
for obs in donnees:
    noms_pays.append(obs["pays"])
    valeurs_co2.append(obs["co2_pc"])
plt.figure()
plt.bar(noms_pays, valeurs_co2)
plt.ylabel("Tonnes de CO2 par habitant")
plt.title("Émissions par habitant - extrait pédagogique OWID")
plt.xticks(rotation=45, ha="right")
plt.tight_layout()
plt.savefig("co2_td2.png", dpi=300)
plt.show()
plt.close()

Résultat et interprétation

Neuf barres ; United States est la plus haute. La barre World est une référence agrégée et non un pays.

Sortie de l’exécution de référence :

Démarche de résolution

valeur est le paramètre. return renvoie la catégorie à l’endroit de l’appel ; print sert ensuite à l’afficher.

Code Python commenté

def classe_co2(valeur):
    if valeur < 5:
        return "faible"
    elif valeur < 10:
        return "intermediaire"
    else:
        return "eleve"

print(classe_co2(4.7))
print(classe_co2(7.9))
print(classe_co2(14.9))
for obs in donnees:
    print(obs["pays"], classe_co2(obs["co2_pc"]))

Résultat et interprétation

Les trois tests renvoient faible, intermediaire, eleve. La boucle retrouve le classement de l’exercice 6.

Sortie de l’exécution de référence :

faible
intermediaire
eleve
France faible
Germany intermediaire
Spain intermediaire
Poland intermediaire
United States eleve
India faible
China intermediaire
World faible
Brazil faible

Démarche de résolution

Le corps de for est indenté une fois ; le corps du if imbriqué est indenté une seconde fois. Un compteur doit exister avant d’être incrémenté.

Code Python commenté

# A : sans indentation après for, Python signale IndentationError.
for obs in donnees:
    print(obs["pays"])

# B : dans une session neuve, compteur inconnu provoque NameError.
# S'il existe déjà, ce fragment peut modifier une ancienne valeur par erreur.
compteur = 0
compteur = compteur + 1
print("Compteur après une augmentation :", compteur)

# C : la ligne après if doit être à l'intérieur de la condition.
compteur = 0
for obs in donnees:
    if obs["co2_pc"] > 5:
        compteur = compteur + 1
print("Compteur corrigé :", compteur)

Résultat et interprétation

A affiche les neuf noms ; B affiche 1 ; C compte 4 observations. Relancer dans une session neuve évite qu’un ancien compteur masque une erreur.

Sortie de l’exécution de référence :

France
Germany
Spain
Poland
United States
India
China
World
Brazil
Compteur après une augmentation : 1
Compteur corrigé : 4

Démarche de résolution

Lire le maximum du graphique, comparer les valeurs françaises et mondiales, puis utiliser le bon dénominateur.

Code Python commenté

# United States a la valeur la plus élevée : 14,9 tonnes par habitant.
# France et World sont à égalité dans cet extrait arrondi : 4,7.
# Quatre des neuf lignes dépassent 5 tonnes : 44,4 %.
# Les émissions par habitant sont rapportées à la population ; un pays
# très peuplé peut avoir un total élevé sans la plus forte valeur par habitant.

Résultat et interprétation

La France n’est ni au-dessus ni au-dessous : elle est égale à la référence mondiale arrondie. En excluant World, la proportion de pays serait 4/8 = 50 %.

Démarche de résolution

Vérifier la présence de chaque notion et exécuter les exercices dans l’ordre.

Code Python commenté

# Liste de dictionnaires : exercice 3 ; boucle : 5 ; conditions : 6.
# Compteur et proportion : 8 ; graphique : 9 ; fonction : 10.
# Interprétation : exercice 12.
print("Contrôle final : TD2 terminé, figure co2_td2.png enregistrée.")

Résultat et interprétation

Le parcours obligatoire produit une figure et une proportion de 44.4 %.

Sortie de l’exécution de référence :

Contrôle final : TD2 terminé, figure co2_td2.png enregistrée.