Projet " Panorama des festivals"

Réalisation: Harald Valcourt

Présentation du projet

Le projet consiste à analyser le " Panorama des festivals", photographie des événements culturels répertoriés par le mistère de la culture du gouvernement francais. Il présente les informations clés sur les festivales dans tous les domaines culturels et sur tout le territoire Francais. le panorama des festivals compile plusieurs milliers de manifestations et intègre les spectacles de cinémas, de salons, de rencontres le domaine des arts visuels, du livre, du patrimoine etc.

Le projet est divisé en quatres étapes principales:

  • Première partie consacrée au langage Python
  • Deuxième partie consacrée au langage SQL
  • Troisième partie consacrée au langage DAX
  • Quatrième partie est consacrée à Power BI Desktop

La démarche appliquée

La démarche appliquée est la suivante:

  • Identification de la source de données
  • Installation et importation des libraires
  • Collecte des donnés
  • Préparation des données
  • Modélisation des données
  • Transmision des données sur la plateforme cloud de Snowflake
    • Création de la Base de données
    • Création des tables
    • Chargement des données
    • Modélisation des données
    • Manipilation des données
  • Connexion de Power BI à Snoflake
  • Définition des besoins
  • Définition des indicateurs
  • Définition des rapports
  • Création des rapports
  • Réalisation du tableau de bord

Identification de la source de données

Le jeu de données est disponible sur le site du gouvernement Français: data.gouv.fr à l'url suivant:

https://www.data.gouv.fr/fr/datasets/panorama-des-festivals/#/resources/4415a028-aa8e-447d-a2e9-d3917b9bd278

Il est de format csv et est initialement constité de Colonnes : 37 Colonnes et 3136 lignes. Les principales colonnes sont les suivantes:

  • Nom de la manifestation
  • Région
  • Domaine
  • Complément domaine
  • Département
  • Périodicité
  • Mois habituel de début
  • Site web
  • N° Identification
  • Commune principale
  • Autres communes
  • N° de l'édition 2018
  • Date de création
  • Soutenu en 2017 par le ministère de la culture
  • Soutenu en 2017 par le Centre national du cinéma
  • Soutenu en 2017 par le Centre national du livre
  • Soutenu en 2017 par le Centre national des variétés
  • Soutenu en 2018 par le ministère de la culture
  • Soutenu en 2018 par le Centre national du cinéma
  • Soutenu en 2018 par le Centre national du livre
  • Soutenu en 2018 par le Centre national des variétés
  • Code postal
  • Code INSEE
  • coordonnees_insee
  • Libellé commune pour calcul CP, INSEE
  • Dépt SK
  • Nom Département
  • Commentaires
  • N° de l'édition 2019
  • Check édition
  • Mois indicatif en chiffre, y compris double mois
  • Mois indicatif
  • Date début ancien
  • Date de fin ancien
  • Soutien 2017 MCC à la structure
  • Part festival sur soutien à la structure
  • Enquête DRAC 2017

Première partie:Le langage Python

Installation et importation des librairies

In [12]:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import os
from pandasql import sqldf
import snowflake.connector
from snowflake.connector import connect,DictCursor
from snowflake.connector.pandas_tools import write_pandas
In [13]:
from warnings import filterwarnings
filterwarnings('ignore')

Collecte des données

Lecture du fichier 'panorama-des-festivals.csv'

In [16]:
df=pd.read_csv('panorama-des-festivals.csv',sep=';', encoding='UTF-8')
df.head()
Out[16]:
Nom de la manifestation Région Domaine Complément domaine Département Périodicité Mois habituel de début Site web N° Identification Commune principale ... Commentaires N° de l'édition 2019 Check édition Mois indicatif en chiffre, y compris double mois Mois indicatif Date début ancien Date de fin ancien Soutien 2017 MCC à la structure Part festival sur soutien à la structure Enquête DRAC 2017
0 FESTIVAL DIVERSCENES Pays de la Loire Musiques actuelles Musiques traditionnelles et du monde 53 Biennale années impaires 01 (janvier) http://diverscene.jimdo.com LD085 CHANGE ... NaN 29.0 -20.0 1.0 NaN 2019-01-06 2019-02-02 NaN NaN NaN
1 Paris des femmes Île-de-France Transdisciplinaire NaN 75 Annuelle 01 (janvier) www.parisdesfemmes.com HA026 PARIS ... NaN 8.0 0.0 1.0 NaN 2019-01-10 2019-01-12 NaN NaN NaN
2 FESTIVAL A PARTIR DU REEL Normandie Théâtre NaN 14 Annuelle 01 (janvier) https://www.larenaissance-mondeville.fr IG002 MONDEVILLE ... Montant de la subvention non indiqué par la DRAC 15.0 0.0 1.0 NaN 2019-01-10 2019-02-07 0.0 NaN NaN
3 FESTIVAL TRACE Île-de-France Musiques actuelles NaN 92 Annuelle 01 (janvier) festivaltrace.com NaN CHAVILLE ... NaN 19.0 0.0 1.0 NaN 2019-01-12 2019-02-16 NaN NaN NaN
4 Festival International du Film de comédie de l... Auvergne-Rhône-Alpes Cinéma et audiovisuel NaN 38 Annuelle 01 (janvier) http://www.festival-alpedhuez.com AJ031 HUEZ ... NaN 22.0 0.0 1.0 NaN 2019-01-15 2019-01-20 NaN NaN NaN

5 rows × 37 columns

Affichage des colonnes du DataFrame

In [18]:
df.columns
Out[18]:
Index(['Nom de la manifestation', 'Région', 'Domaine', 'Complément domaine',
       'Département', 'Périodicité', 'Mois habituel de début', 'Site web',
       'N° Identification', 'Commune principale', 'Autres communes',
       'N° de l'édition 2018', 'Date de création',
       'Soutenu en 2017 par le ministère de la culture ',
       'Soutenu en 2017 par le Centre national du cinéma ',
       'Soutenu en 2017 par le Centre national du livre ',
       'Soutenu en 2017 par le Centre national des variétés ',
       'Soutenu en 2018 par le ministère de la culture ',
       'Soutenu en 2018 par le Centre national du cinéma ',
       'Soutenu en 2018 par le Centre national du livre ',
       'Soutenu en 2018 par le Centre national des variétés ', 'Code postal',
       'Code INSEE', 'coordonnees_insee',
       'Libellé commune pour calcul CP, INSEE', 'Dépt SK', 'Nom Département',
       'Commentaires', 'N° de l'édition 2019', 'Check édition',
       'Mois indicatif en chiffre, y compris double mois', 'Mois indicatif',
       'Date début ancien', 'Date de fin ancien',
       'Soutien 2017 MCC à la structure',
       'Part festival sur soutien à la structure', 'Enquête DRAC 2017'],
      dtype='object')

Préparation des données

Suppression des colonnes inutiles

In [21]:
df.drop([
       'Soutenu en 2017 par le ministère de la culture ',
       'Soutenu en 2017 par le Centre national du cinéma ',
       'Soutenu en 2017 par le Centre national du livre ',
       'Soutenu en 2017 par le Centre national des variétés ',
       'Soutenu en 2018 par le ministère de la culture ',
       'Soutenu en 2018 par le Centre national du cinéma ',
       'Soutenu en 2018 par le Centre national du livre ',
       'Soutenu en 2018 par le Centre national des variétés ',
       'Commentaires', "N° de l'édition 2019", 'Check édition',
       'Mois indicatif en chiffre, y compris double mois', 'Mois indicatif',
       'Soutien 2017 MCC à la structure','Part festival sur soutien à la structure', 
       'Enquête DRAC 2017','Libellé commune pour calcul CP, INSEE'
       ],           
       axis=1,inplace=True)

Affichage des colonnes retenues

In [23]:
df.columns
Out[23]:
Index(['Nom de la manifestation', 'Région', 'Domaine', 'Complément domaine',
       'Département', 'Périodicité', 'Mois habituel de début', 'Site web',
       'N° Identification', 'Commune principale', 'Autres communes',
       'N° de l'édition 2018', 'Date de création', 'Code postal', 'Code INSEE',
       'coordonnees_insee', 'Dépt SK', 'Nom Département', 'Date début ancien',
       'Date de fin ancien'],
      dtype='object')

Renommage des colonnes

In [25]:
df.rename(mapper= {
       'Nom de la manifestation' :'NomManif', 
       'Région':'Region', 
       'Domaine':'Domaine', 
       'Complément domaine':'ComplementDomaine',
       'Département':'Departement', 
       'Périodicité':'Periodicite', 
       'Mois habituel de début':'MoisHabituel', 
       'Site web':'SiteWeb',
       'N° Identification':'NoId', 
       'Commune principale':'Commune', 
       'Autres communes':'AutreCommunes',
       "N° de l'édition 2018":'NoEdition', 
       'Date de création':'DateCreation', 
       'Code postal':'CodePostal', 
       'Code INSEE':'CodeINSEE',
       'coordonnees_insee':'CoordonnesInsee', 
       'Dépt SK':'DeptSK', 
       'Nom Département':'NomDeptartement', 
       'Date début ancien':'DateDebut',
       'Date de fin ancien':'DateFin'},
       axis=1, inplace=True)

Affichage des informations sur le DataFrame

In [27]:
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3136 entries, 0 to 3135
Data columns (total 20 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   NomManif           3136 non-null   object 
 1   Region             3136 non-null   object 
 2   Domaine            3136 non-null   object 
 3   ComplementDomaine  2044 non-null   object 
 4   Departement        3136 non-null   int64  
 5   Periodicite        2626 non-null   object 
 6   MoisHabituel       3136 non-null   object 
 7   SiteWeb            2914 non-null   object 
 8   NoId               3098 non-null   object 
 9   Commune            3136 non-null   object 
 10  AutreCommunes      326 non-null    object 
 11  NoEdition          2383 non-null   float64
 12  DateCreation       2671 non-null   object 
 13  CodePostal         3136 non-null   int64  
 14  CodeINSEE          3136 non-null   object 
 15  CoordonnesInsee    3134 non-null   object 
 16  DeptSK             3112 non-null   float64
 17  NomDeptartement    3136 non-null   object 
 18  DateDebut          2797 non-null   object 
 19  DateFin            2797 non-null   object 
dtypes: float64(2), int64(2), object(16)
memory usage: 490.1+ KB

Nombre de valeurs nulles par colonne

In [29]:
df.isnull().sum()
Out[29]:
NomManif                0
Region                  0
Domaine                 0
ComplementDomaine    1092
Departement             0
Periodicite           510
MoisHabituel            0
SiteWeb               222
NoId                   38
Commune                 0
AutreCommunes        2810
NoEdition             753
DateCreation          465
CodePostal              0
CodeINSEE               0
CoordonnesInsee         2
DeptSK                 24
NomDeptartement         0
DateDebut             339
DateFin               339
dtype: int64

Recherche des colonnes numérique

In [31]:
dfnum=df.select_dtypes(include=['int64','float64']).columns
dfnum
Out[31]:
Index(['Departement', 'NoEdition', 'CodePostal', 'DeptSK'], dtype='object')

Recherche des colonnes categorielles

In [33]:
dfcat=df.select_dtypes(include=['object']).columns
dfcat
Out[33]:
Index(['NomManif', 'Region', 'Domaine', 'ComplementDomaine', 'Periodicite',
       'MoisHabituel', 'SiteWeb', 'NoId', 'Commune', 'AutreCommunes',
       'DateCreation', 'CodeINSEE', 'CoordonnesInsee', 'NomDeptartement',
       'DateDebut', 'DateFin'],
      dtype='object')

Affichage du nombre de valeurs des colonnes numériques

In [35]:
df[dfnum].isnull().sum().sort_values(ascending=False)[:10]
Out[35]:
NoEdition      753
DeptSK          24
Departement      0
CodePostal       0
dtype: int64

Considération sur la colonne 'AutreCommunes'

In [37]:
#Identification du nombre de valeur nulles
df['AutreCommunes'].isnull().sum()
Out[37]:
2810
In [38]:
# Suppression de la colonne 'AutreCommunes' pour laquelle plus que 90% des valeurs sont manquantes
df.drop('AutreCommunes', axis=1,inplace=True)
In [39]:
df.columns
Out[39]:
Index(['NomManif', 'Region', 'Domaine', 'ComplementDomaine', 'Departement',
       'Periodicite', 'MoisHabituel', 'SiteWeb', 'NoId', 'Commune',
       'NoEdition', 'DateCreation', 'CodePostal', 'CodeINSEE',
       'CoordonnesInsee', 'DeptSK', 'NomDeptartement', 'DateDebut', 'DateFin'],
      dtype='object')

Considération sur les colonnes 'CodePostal', 'CodeINSEE'

In [41]:
df[['CodePostal', 'CodeINSEE']]
Out[41]:
CodePostal CodeINSEE
0 53810 53054
1 75001 75101
2 14120 14437
3 92370 92022
4 38750 38191
... ... ...
3131 13001 13201
3132 34200 34301
3133 75001 75101
3134 13001 13201
3135 67100 67482

3136 rows × 2 columns

In [42]:
#Suppression de la colonne 'CodeINSEE' étant un doublon de la colonne 'CodePostal'
df.drop('CodeINSEE',axis=1,inplace=True)
In [43]:
df.columns
Out[43]:
Index(['NomManif', 'Region', 'Domaine', 'ComplementDomaine', 'Departement',
       'Periodicite', 'MoisHabituel', 'SiteWeb', 'NoId', 'Commune',
       'NoEdition', 'DateCreation', 'CodePostal', 'CoordonnesInsee', 'DeptSK',
       'NomDeptartement', 'DateDebut', 'DateFin'],
      dtype='object')

Considération sur les colonnes 'Departement' et 'DeptSK'

In [45]:
df[['Departement','DeptSK']]
Out[45]:
Departement DeptSK
0 53 53.0
1 75 75.0
2 14 14.0
3 92 92.0
4 38 38.0
... ... ...
3131 13 13.0
3132 34 34.0
3133 75 75.0
3134 13 13.0
3135 67 67.0

3136 rows × 2 columns

Suppression de la colonne 'DeptSK' étant un doublon de la colonne 'Departement'

In [47]:
df.drop('DeptSK',axis=1,inplace=True)
In [48]:
df.columns
Out[48]:
Index(['NomManif', 'Region', 'Domaine', 'ComplementDomaine', 'Departement',
       'Periodicite', 'MoisHabituel', 'SiteWeb', 'NoId', 'Commune',
       'NoEdition', 'DateCreation', 'CodePostal', 'CoordonnesInsee',
       'NomDeptartement', 'DateDebut', 'DateFin'],
      dtype='object')

Modification du type des colonnes 'DateCreation' , 'DateDebut' et 'DateFin'

In [50]:
df['DateCreation'] = pd.to_datetime(df['DateCreation'])
df['DateDebut'] = pd.to_datetime(df['DateDebut'])
df['DateFin'] = pd.to_datetime(df['DateFin'])
In [51]:
df[['DateCreation' , 'DateDebut' ,'DateFin']].info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3136 entries, 0 to 3135
Data columns (total 3 columns):
 #   Column        Non-Null Count  Dtype         
---  ------        --------------  -----         
 0   DateCreation  2671 non-null   datetime64[ns]
 1   DateDebut     2797 non-null   datetime64[ns]
 2   DateFin       2797 non-null   datetime64[ns]
dtypes: datetime64[ns](3)
memory usage: 73.6 KB

Considération sur les valeurs de la colonne 'Periodicite'

In [53]:
df['Periodicite'].unique()
Out[53]:
array(['Biennale années impaires', 'Annuelle', nan, 'Biennale',
       'ANNUELLE', 'Biennale années paires', 'annuelle', 'Irrégulière',
       'Bi-Annuelle', 'Bi-annuelle'], dtype=object)

Remplacer les valeurs 'ANNUELLE' par 'Annuelle'

In [55]:
df['Periodicite'].replace('ANNUELLE','Annuelle',inplace=True)
df['Periodicite'].replace('annuelle','Annuelle',inplace=True)
df['Periodicite'].replace('Biennale années impaires','Biennale',inplace=True)
df['Periodicite'].replace('Biennale années paires','Biennale',inplace=True)
df['Periodicite'].replace('Bi-annuelle','Bi-Annuelle',inplace=True)
df['Periodicite'].replace('Bi-Annuelle','Biennale',inplace=True)
df['Periodicite'].unique()
Out[55]:
array(['Biennale', 'Annuelle', nan, 'Irrégulière'], dtype=object)

Nombre de valeurs nulle de la colonne "Périodicité"

In [57]:
df['Periodicite'].isnull().sum()
Out[57]:
510
In [58]:
df['Periodicite'].fillna('Non Specifie',inplace=True)
df['Periodicite'].isnull().sum()
Out[58]:
0

Considération sur les valeurs de la colonne 'Region'

In [60]:
df['Region'].unique()
Out[60]:
array(['Pays de la Loire', 'Île-de-France', 'Normandie',
       'Auvergne-Rhône-Alpes', 'Bretagne', 'Nouvelle-Aquitaine',
       'Grand Est', "Provence-Alpes-Côte d'Azur", 'Polynésie française',
       'Occitanie', 'Hauts-de-France', 'Mayotte', 'Centre-Val de Loire',
       'Martinique', 'Bourgogne-Franche-Comté', 'Corse',
       'Nouvelle Calédonie', 'Guyane', 'La Réunion', 'Guadeloupe'],
      dtype=object)

Considération sur les valeurs de la colonne 'Region'

Modalité de la variable 'Region'

In [63]:
df['Region'].value_counts()
Out[63]:
Region
Auvergne-Rhône-Alpes          431
Île-de-France                 399
Occitanie                     382
Nouvelle-Aquitaine            362
Provence-Alpes-Côte d'Azur    319
Bretagne                      219
Grand Est                     217
Pays de la Loire              190
Hauts-de-France               167
Bourgogne-Franche-Comté       145
Normandie                     128
Centre-Val de Loire           119
Corse                          24
La Réunion                     10
Guadeloupe                      6
Martinique                      5
Mayotte                         4
Polynésie française             3
Nouvelle Calédonie              3
Guyane                          3
Name: count, dtype: int64

Considération sur les valeurs de la colonne 'NoEdition'

In [65]:
# Modalité de la variable 'NoEdition'
df['NoEdition'].value_counts()
Out[65]:
NoEdition
4.0     141
3.0     131
10.0    112
8.0     107
6.0     102
       ... 
53.0      1
72.0      1
85.0      1
83.0      1
62.0      1
Name: count, Length: 69, dtype: int64

Considération sur la colonne 'CoordonnesInsee'

In [67]:
df['CoordonnesInsee']
Out[67]:
0       48.1079801148, -0.800104772023
1         48.8626304852, 2.33629344655
2       49.1693649378, -0.310691187417
3         48.8076083562, 2.19234061062
4         45.0969425761, 6.08474810987
                     ...              
3131      43.2999009436, 5.38227869795
3132      43.3917705831, 3.64705148296
3133      48.8626304852, 2.33629344655
3134      43.2999009436, 5.38227869795
3135      48.5712679849, 7.76752679517
Name: CoordonnesInsee, Length: 3136, dtype: object

Séparez la colonne 'CoordonnesInsee' en deux colonnes distinctes 'Lattitude' et 'Logitude'

In [69]:
def split_part1(Coordonnes):
    if pd.notnull(Coordonnes):
        split_part1 = str(Coordonnes).split(',')
        return split_part1[0]
    else:
        return np.nan

def split_part2(Coordonnes):
    if pd.notnull(Coordonnes):
        split_part2 = str(Coordonnes).split(',')
        return split_part2[1]
    else:
        return np.nan

df['Lattitude'] = df['CoordonnesInsee'].apply(split_part1)
df['Longitude'] = df['CoordonnesInsee'].apply(split_part2)
df.head(3)
Out[69]:
NomManif Region Domaine ComplementDomaine Departement Periodicite MoisHabituel SiteWeb NoId Commune NoEdition DateCreation CodePostal CoordonnesInsee NomDeptartement DateDebut DateFin Lattitude Longitude
0 FESTIVAL DIVERSCENES Pays de la Loire Musiques actuelles Musiques traditionnelles et du monde 53 Biennale 01 (janvier) http://diverscene.jimdo.com LD085 CHANGE NaN 2011-01-01 53810 48.1079801148, -0.800104772023 Mayenne 2019-01-06 2019-02-02 48.1079801148 -0.800104772023
1 Paris des femmes Île-de-France Transdisciplinaire NaN 75 Annuelle 01 (janvier) www.parisdesfemmes.com HA026 PARIS 7.0 2012-01-01 75001 48.8626304852, 2.33629344655 Paris 2019-01-10 2019-01-12 48.8626304852 2.33629344655
2 FESTIVAL A PARTIR DU REEL Normandie Théâtre NaN 14 Annuelle 01 (janvier) https://www.larenaissance-mondeville.fr IG002 MONDEVILLE 4.0 2005-01-01 14120 49.1693649378, -0.310691187417 Calvados 2019-01-10 2019-02-07 49.1693649378 -0.310691187417

Determiner nombre de valeurs nulles de la colonne 'CoordonnesInsee'

In [71]:
df['CoordonnesInsee'].isnull().sum()
Out[71]:
2

Supprimer les lignes pour lesquelles 'CoordonnesInsee' sont nulles

In [73]:
df.dropna(subset=['CoordonnesInsee'], inplace=True)

Supprimer de la colonne CoordonnesInsee

In [75]:
df.drop('CoordonnesInsee', axis=1,inplace=True)

Affichage du nombre de valeurs nulles par ordre decroissant

In [77]:
df.isnull().sum().sort_values(ascending=False)[:10]
Out[77]:
ComplementDomaine    1091
NoEdition             753
DateCreation          465
DateFin               339
DateDebut             339
SiteWeb               222
NoId                   38
NomManif                0
Lattitude               0
NomDeptartement         0
dtype: int64

Remplacer les valeurs nulles des colonnes 'DateCreation', 'DateFin' et 'DateDebut' par la valeur minimale de la colonne correspondante

In [79]:
df['DateCreation']=df['DateCreation'].fillna(df['DateCreation'].min())
df['DateFin']=df['DateFin'].fillna(df['DateFin'].min())
df['DateDebut']=df['DateDebut'].fillna(df['DateDebut'].min())
In [80]:
df[['DateCreation','DateFin','DateDebut']]
Out[80]:
DateCreation DateFin DateDebut
0 2011-01-01 2019-02-02 2019-01-06
1 2012-01-01 2019-01-12 2019-01-10
2 2005-01-01 2019-02-07 2019-01-10
3 2001-01-01 2019-02-16 2019-01-12
4 1998-01-01 2019-01-20 2019-01-15
... ... ... ...
3131 1869-01-01 2018-12-15 2018-12-05
3132 2015-01-01 2018-12-09 2018-12-07
3133 1869-01-01 2018-12-12 2018-12-10
3134 2018-01-01 2018-12-22 2018-12-13
3135 2018-01-01 2019-03-03 2018-12-15

3134 rows × 3 columns

Considération sur la colonne 'ComplementDomaine'

Remplacer les valeurs manquantes de la colonne'ComplementDomaine' par 'Non Renseigné

In [83]:
df['ComplementDomaine']=df['ComplementDomaine'].fillna('Non Renseigné')

Suppression des lignes pour lesquelles les numéros d'identification 'NoId' ne sont pas renseignés

In [85]:
df.dropna(subset=['NoId'], inplace=True)

onsidération sur les valeurs de la colonne 'SiteWeb'

In [87]:
df['SiteWeb'].head()
Out[87]:
0                       http://diverscene.jimdo.com
1                            www.parisdesfemmes.com
2           https://www.larenaissance-mondeville.fr
4                 http://www.festival-alpedhuez.com
5    http://centreculturel.fougeres-communaute.bzh/
Name: SiteWeb, dtype: object

Supprimer les préfix http:// de la colonne 'SiteWeb'

In [89]:
df['SiteWeb']=df['SiteWeb'].str.replace('www.','')
df['SiteWeb']=df['SiteWeb'].str.replace('http://','')
df['SiteWeb']=df['SiteWeb'].str.replace('https://','')
df['SiteWeb']=df['SiteWeb'].str.replace('/','')

Remplacer les valeur nulles de la colonne 'SiteWeb' "Non Specifie"

In [91]:
df['SiteWeb']=df['SiteWeb'].fillna('Non Specifie')

Considération sur les valeurs de la colonne 'MoisHabituel'

In [93]:
df['MoisHabituel'].head(3)
Out[93]:
0    01 (janvier)
1    01 (janvier)
2    01 (janvier)
Name: MoisHabituel, dtype: object

Séparez la colonne 'MoisHabiteul' en deux colonnes distinctes 'NumMoisHabituel' et 'NomMoisHabituel'

In [95]:
def split_part1(var):
    if pd.notnull(var):
        split_part1 = str(var).split(' ')
        return split_part1[0]
    else:
        return np.nan

def split_part2(var):
    if pd.notnull(var):
        split_part2 = str(var).split(' ')
        return split_part2[1]
    else:
        return np.nan

df['NumMoisHabituel'] = df['MoisHabituel'].apply(split_part1)
df['NumMoisHabituel'] = pd.to_numeric(df['NumMoisHabituel'])
df['NomMoisHabituel'] = df['MoisHabituel'].apply(split_part2)
df['NomMoisHabituel']=df['NomMoisHabituel'].str.replace('(','')
df['NomMoisHabituel']=df['NomMoisHabituel'].str.replace(')','')

Supprimer de la colonne 'MoisHabituel'

In [97]:
df.drop('MoisHabituel',axis=1,inplace=True)

Considération sur les valeurs de la colonne 'NoEdition'

In [99]:
df['NoEdition'].value_counts()
Out[99]:
NoEdition
4.0     139
3.0     130
10.0    112
8.0     107
2.0     100
       ... 
53.0      1
72.0      1
85.0      1
83.0      1
62.0      1
Name: count, Length: 69, dtype: int64

Nombre de valeurs manquantes

In [101]:
df['NoEdition'].isnull().sum()
Out[101]:
735

Remplacer les valeurs manquantes par 0

In [103]:
df['NoEdition']=df['NoEdition'].fillna(0)

Mettre en majuscule la première lettre de chaque mot des colonnes catégorielle

In [105]:
dfcat=df.select_dtypes(include=['object']).columns
for i in dfcat:
    df[i]=df[i].str.title()

Considération sur les valeurs de la colonne 'NoId'

Recherche des valeurs dupliquées

In [108]:
df['NoId'].duplicated().value_counts()
Out[108]:
NoId
False    2991
True      105
Name: count, dtype: int64

Supprimer les doublons de 'NoId' en conservant la dernière occurence.

In [110]:
df.drop_duplicates(subset='NoId', keep='last', inplace=True)
print('Doublons supprimés')

Doublons supprimés

Renommer des collones du DataFrame

In [112]:
df.rename(mapper= {
    'NomManif' :'NOM_MANIF', 
    'Region' :'REGION', 
    'Domaine' :'DOMAINE', 
    'ComplementDomaine' :'COMPLEMENT_DOMAINE', 
    'Departement' :'DEPARTEMENT', 
    'Periodicite' :'PERIODICITE',
    'SiteWeb' :'SITE_WEB', 
    'NoId' :'NO_ID', 
    'Commune' :'COMMUNE', 
    'NoEdition' :'NO_EDITION', 
    'DateCreation' :'DATE_CREATION', 
    'CodePostal' :'CODE_POSTAL',
    'NomDeptartement' :'NOM_DEPARTEMENT', 
    'DateDebut' :'DATE_DEBUT', 
    'DateFin' :'DATE_FIN', 
    'Lattitude' :'LATTITUDE', 
    'Longitude' :'LONGITUDE',
    'NumMoisHabituel' :'NUM_MOIS_HABITUEL', 
    'NomMoisHabituel':'NOM_MOIS_HABITUEL' },
       axis=1, inplace=True)

Conversion des colonnes 'DATE_CREATION', 'DATE_DEBUT' et DATE_FIN' du DataFrame en string

In [114]:
df['DATE_CREATION'] = df['DATE_CREATION'].astype(str)
df['DATE_DEBUT'] = df['DATE_DEBUT'].astype(str)
df['DATE_FIN'] = df['DATE_FIN'].astype(str)
print('Conversions de type effectuées')

Conversions de type effectuées

Mettre en majuscule les valeurs de la colonne 'NO_ID' du DataFrame

In [116]:
df['NO_ID']=df['NO_ID'].str.upper()
df['NO_ID'].head(3)
Out[116]:
0    LD085
1    HA026
2    IG002
Name: NO_ID, dtype: object

Lecture du fichier des participants

In [118]:
participants=pd.read_csv('PARTICIPANTS.csv')
participants.head()
Out[118]:
NO_ID NOMBRE2017 NOMBRE2018 PRIX
0 AJ030 269 250 54
1 MD205 150 250 30
2 KD098 499 250 100
3 BK006 454 250 91
4 KK014 362 250 72

Recherche des valeurs dupliquées de la colonne 'NoId' de Participants

In [120]:
participants['NO_ID'].duplicated().value_counts()
Out[120]:
NO_ID
False    3028
True      105
Name: count, dtype: int64

Suppression des doublons de 'NO_ID' en conservant la derniere occurence.

In [122]:
participants.drop_duplicates(subset='NO_ID', keep='last', inplace=True)
print('Doublons supprimés')

Doublons supprimés

Deuxième partie : Langage SQL sur Snowflake

Cette partie du projet est consacrée à l'utilisation du langage SQL à travers la plateforme Snowflake. Les différents aspects suivants seront abordés:

  • Connexion à la plateforme Snowflake
  • Création de la Base de données
  • Création du schéma
  • Création des tables
  • Chargement des données
  • Commande de definition de données
  • Commade de manipulation de données
  • Commandes de contôle de Données

Connexion à la plateforme Snowflake

In [126]:
conn=snowflake.connector.connect(
    user='VALCOURTH',
    password='HARALDVALCOURT',
    account='JIOLUVT-VE58757',
    warehouse='COMPUTE_WH',
    database='FESTIVALS',
    schema='FESTIVALS_SCHEMA',
    role='ACCOUNTADMIN'
    )
print('Connexion établie')

Connexion établie

Création de la nouvelle Base de données et du schéma

In [128]:
#Création de la Base de données FESTIVALS et du SCHEMA FESTIVALS_SCHEMA
cur=conn.cursor()
cur.execute('create or replace database FESTIVALS;')
cur.execute('create or replace schema FESTIVALS_SCHEMA;')
cur.close()
print('Database et Schema créés ')

Database et Schema créés

Connexion à la nouvelle Base de données

In [130]:
conn=snowflake.connector.connect(
    user='hvalcourt',
    password='H@raldvalcourt070164',
    account='JIOLUVT-VE58757',
    warehouse='COMPUTE_WH',
    database='FESTIVALS',
    schema='FESTIVALS_SCHEMA',
    role='ACCOUNTADMIN'
    )
print('Connexion établie')

Connexion établie

Creation de la table FESTIVALES dans Snowflake

In [132]:
cur=conn.cursor()
query="""
CREATE OR REPLACE TABLE FESTIVALS (
NOM_MANIF varchar(250), 
REGION varchar(250), 
DOMAINE varchar(250),
COMPLEMENT_DOMAINE varchar(250), 
DEPARTEMENT varchar(250), 
PERIODICITE varchar(250),
SITE_WEB varchar(250), 
NO_ID varchar(250), 
COMMUNE varchar(250), 
NO_EDITION float, 
DATE_CREATION
varchar(50),  
CODE_POSTAL float, 
NOM_DEPARTEMENT varchar(250), 
DATE_DEBUT varchar(50), 
DATE_FIN varchar(50), 
LATTITUDE varchar(50), 
LONGITUDE varchar(50), 
NUM_MOIS_HABITUEL int, 
NOM_MOIS_HABITUEL varchar(50));
"""
cur.execute(query)
print('Table FESTIVALS créée ')

Table FESTIVALS créée

Chargement des données dans les tables FESTIVALS et PARTICIPANTS

Chargement des données de la table FESTIVAL

In [135]:
write_pandas(conn,df,table_name="FESTIVALS")
print('Table FESTIVALS chargée')

Table FESTIVALS chargée

Récupération des données depuis la plateforme Snowflake

In [137]:
query='select TOP 3 *   from FESTIVALS'
cur=conn.cursor(DictCursor)
cur.execute(query)
data_fetch=cur.fetchall()
festival=pd.DataFrame(data_fetch)
festival
Out[137]:
NOM_MANIF REGION DOMAINE COMPLEMENT_DOMAINE DEPARTEMENT PERIODICITE SITE_WEB NO_ID COMMUNE NO_EDITION DATE_CREATION CODE_POSTAL NOM_DEPARTEMENT DATE_DEBUT DATE_FIN LATTITUDE LONGITUDE NUM_MOIS_HABITUEL NOM_MOIS_HABITUEL
0 Festival Diverscenes Pays De La Loire Musiques Actuelles Musiques Traditionnelles Et Du Monde 53 Biennale Diverscene.Jimdo.Com LD085 Change 0.0 2011-01-01 53810.0 Mayenne 2019-01-06 2019-02-02 48.1079801148 -0.800104772023 1 Janvier
1 Paris Des Femmes Île-De-France Transdisciplinaire Non Renseigné 75 Annuelle Parisdesfemmes.Com HA026 Paris 7.0 2012-01-01 75001.0 Paris 2019-01-10 2019-01-12 48.8626304852 2.33629344655 1 Janvier
2 Festival A Partir Du Reel Normandie Théâtre Non Renseigné 14 Annuelle Larenaissance-Mondeville.Fr IG002 Mondeville 4.0 2005-01-01 14120.0 Calvados 2019-01-10 2019-02-07 49.1693649378 -0.310691187417 1 Janvier

Chanrgement du fichier relatifs aux participants dans Snowflake

Créer la table PARTICIPANTS

In [140]:
cur=conn.cursor()
cur.execute('CREATE OR REPLACE TABLE "PARTICIPANTS" ("NO_ID"  varchar(250), "NOMBRE2018" INT, "NOMBRE2017" INT , "PRIX" INT);')
print('Table PARTICIPANTS créée ')

Table PARTICIPANTS créée

Charger des données dans la table PARTICIPANTS

In [142]:
write_pandas(conn,participants,table_name="PARTICIPANTS")
print('Table PARTICIPANTS chargée')

Table PARTICIPANTS chargée

Récupérer les trois premières lignes de la table PARTICIPANTS

In [144]:
query='select TOP 3 *   from PARTICIPANTS'
cur=conn.cursor(DictCursor)
cur.execute(query)
data_fetch=cur.fetchall()
participant=pd.DataFrame(data_fetch)
participant
Out[144]:
NO_ID NOMBRE2018 NOMBRE2017 PRIX
0 AJ030 250 269 54
1 MD205 250 150 30
2 KD098 250 499 100

Commandes de definitions de données

Ajouter de nouvelles colonnes de format date DATECREATION, DATEDEBUT et DATEFIN à la table FESTIVALS

In [147]:
cur.execute('ALTER TABLE FESTIVALS  ADD COLUMN DATECREATION DATE')
cur.execute('ALTER TABLE FESTIVALS  ADD COLUMN DATEDEBUT DATE')
cur.execute('ALTER TABLE FESTIVALS  ADD COLUMN DATEFIN DATE')
cur.execute('UPDATE FESTIVALS SET DATEDEBUT = TO_DATE(DATE_DEBUT)')
cur.execute('UPDATE FESTIVALS SET DATEFIN = TO_DATE(DATE_FIN)')
cur.execute('UPDATE FESTIVALS SET DATECREATION = TO_DATE(DATE_CREATION)')
print('Colonnes ajoutées')

Colonnes ajoutées

Ajouter une colonne conditionnelle à la table PARTICIPANTS en fonction des valeurs des colonne 'NOMBRE2018' et 'NOMBRE2017'

In [149]:
cur.execute("ALTER TABLE PARTICIPANTS ADD COLUMN PARTICIPANT VARCHAR(20);")
cur.execute("UPDATE PARTICIPANTS SET PARTICIPANT=CASE  WHEN NOMBRE2017>NOMBRE2018 THEN 'Décroissant'  \r\n"
            "WHEN NOMBRE2017<NOMBRE2018 THEN 'Croissant' ELSE 'Stable' END")
print('Colonne ajoutée et complétée')            

Colonne ajoutée et complétée

Ajouter une colonne 'TOTAL_PARTICIPANT' à la table PARTICIPANTS

In [151]:
cur=conn.cursor()
cur.execute('ALTER TABLE PARTICIPANTS  ADD COLUMN TOTAL_PARTICIPANT NUMERIC')
cur.execute('UPDATE PARTICIPANTS  SET TOTAL_PARTICIPANT=NOMBRE2017 + NOMBRE2018')
print('Colonne ajoutée et mise à jour')

Colonne ajoutée et mise à jour

Ajouter une contrainte clé primare à la table FESTIVALS sur la colonne NO_ID

In [153]:
cur=conn.cursor()
cur.execute('ALTER TABLE FESTIVALS  ADD CONSTRAINT PK_FESTIVALS PRIMARY KEY(NO_ID)')
print('Contrainte ajoutée')

Contrainte ajoutée

Ajouter une contrainte clé primare à la table PARTICIPANTS sur la colonne NO_ID

In [155]:
cur=conn.cursor()
cur.execute('ALTER TABLE PARTICIPANTS  ADD CONSTRAINT PK_PARTICIPANTS PRIMARY KEY(NO_ID)')
print('Contrainte ajoutée')

Contrainte ajoutée

Supprimer les lignes de la table 'PARTICIPANTS' pour lesquelles les'NO_ID' n'ont pas de correspondance dans la table 'FESTIVALS'

In [157]:
cur=conn.cursor()
cur.execute('DELETE FROM PARTICIPANTS WHERE NO_ID NOT IN( SELECT NO_ID FROM FESTIVALS);')
print('Suppression effectuée')

Suppression effectuée

Ajouter une contrainte référentielle à la table PARTICIPANTS faisant référence à la table FESTIVALES

In [159]:
cur=conn.cursor()
cur.execute('ALTER TABLE PARTICIPANTS  ADD CONSTRAINT FK_PARTI_FESTI FOREIGN KEY(NO_ID) REFERENCES FESTIVALS(NO_ID);')
print('Contrainte ajoutée')

Contrainte ajoutée

Créer une vue qui contient l'agrégation des participants aux festivals par REGION et par années

In [161]:
cur=conn.cursor()
query=""" 
CREATE OR REPLACE VIEW PARTICIPANT_REGION 
AS SELECT REGION, SUM(NOMBRE2017) TOTAL2017,SUM(NOMBRE2018) TOTAL2018 
FROM PARTICIPANTS,FESTIVALS 
WHERE PARTICIPANTS.NO_ID=FESTIVALS.NO_ID 
GROUP BY REGION;
"""
cur.execute(query)
print('vue  créée')

vue  créée

Récupérer des données à partir de la vue PARTICIPANT_REGION

In [163]:
query='select  *   from PARTICIPANT_REGION'
cur=conn.cursor(DictCursor)
cur.execute(query)
data_fetch=cur.fetchall()
participant_region=pd.DataFrame(data_fetch)
participant_region
Out[163]:
REGION TOTAL2017 TOTAL2018
0 Auvergne-Rhône-Alpes 119391 163504
1 Provence-Alpes-Côte D'Azur 84147 127388
2 Occitanie 104909 156548
3 Bourgogne-Franche-Comté 37996 54025
4 Hauts-De-France 48712 61543
5 Île-De-France 112372 157651
6 Pays De La Loire 52602 81502
7 Nouvelle-Aquitaine 102645 155379
8 Bretagne 64551 90248
9 Centre-Val De Loire 32216 47996
10 Corse 6766 10360
11 Guyane 1305 800
12 Mayotte 1413 1661
13 Nouvelle Calédonie 674 1217
14 La Réunion 3160 4092
15 Polynésie Française 1004 1877
16 Grand Est 60646 90765
17 Normandie 37438 54800
18 Guadeloupe 1166 3313
19 Martinique 1330 2541

Créer une fonction qui retourne les noms des festivales en fonction de la l'année de création

In [165]:
cur=conn.cursor()
cur.execute("""
CREATE  OR REPLACE FUNCTION GET_MANIF_YEAR(ANNEE INT) 
RETURNS TABLE(MANIF STRING) AS
'SELECT NOM_MANIF FROM FESTIVALS WHERE YEAR(DATECREATION) =ANNEE'
""")

print('Fonction créee')

Fonction créee

Appeler la fonction stockée GET_MANIF_YEAR pour afficher 10 des festivals réalisés en 2017

In [167]:
query="SELECT TOP 10  * FROM TABLE(GET_MANIF_YEAR(2017));"
cur=conn.cursor(DictCursor)
cur.execute(query)
data_fetch=cur.fetchall()
NomFestivalParis=pd.DataFrame(data_fetch)
NomFestivalParis
Out[167]:
MANIF
0 Electrochic
1 Festival L'Autre Cirque
2 Festival Variations
3 Festival Eldorado
4 La Tour Met Les Watts
5 La Magnifique Society
6 Festho'Rock
7 Festivalceou
8 Allotropiques
9 Les Singuliers

Créer une fonction qui retourne les noms des festivales en fonction de la commune passée en argument

In [169]:
cur=conn.cursor()
cur.execute("""
CREATE OR REPLACE FUNCTION GET_MANIF(COMMUNE STRING) 
RETURNS TABLE(MANIF STRING) AS 
'SELECT NOM_MANIF FROM FESTIVALS WHERE COMMUNE=COMMUNE ORDER BY NOM_MANIF DESC' ;
""")

print('Fonction créee')

Fonction créee

Appeler la fonction stockée GET_MANIF pour afficher 10 des festivals réalisés à Paris

In [171]:
query="SELECT TOP 10 * FROM TABLE(GET_MANIF('Paris'));"
cur=conn.cursor(DictCursor)
cur.execute(query)
data_fetch=cur.fetchall()
NomFestivalParis=pd.DataFrame(data_fetch)
NomFestivalParis
Out[171]:
MANIF
0 Ô Mauvais Buisson
1 Ô Les Choeurs
2 Évasion Festival
3 Été Musical En Bergerac
4 Été Frappé
5 Été Du Temps Du Tango
6 Émotions De Rue
7 Éclats De Voix (Preignan)
8 Éclats De Voix (Mauléon)
9 Éclats De Cirque

Créer une procédure stockée qui retourne le nombre de lignes des tables de la Base de données FESTIVALS

In [173]:
cur=conn.cursor()
cur.execute("""
CREATE OR REPLACE PROCEDURE NombreLignes() 
RETURNS VARCHAR 
LANGUAGE SQL AS 
DECLARE  
fest INTEGER; 
part INTEGER; 
BEGIN            
SELECT COUNT(*) into :fest FROM FESTIVALS; 
SELECT COUNT(*) into :part FROM PARTICIPANTS;   
RETURN 'Festivals: '||fest||' lignes'||',Participants:'||part ||' lignes'; 
END;
""")
print('Procédure créee')  

Procédure créee

Appeler la procédure NombreLignes()

In [175]:
query="CALL NombreLignes();"
cur=conn.cursor(DictCursor)
cur.execute(query)
data_fetch=cur.fetchall()
NombreLignes=pd.DataFrame(data_fetch)
NombreLignes
Out[175]:
NOMBRELIGNES
0 Festivals: 2991 lignes,Participants:2990 lignes

Ecrire une procédure qui permet d'afficher les différentes tables de la Base de données FESTIVALS

In [177]:
cur.execute("""
CREATE OR REPLACE PROCEDURE info_base()
RETURNS VARCHAR
LANGUAGE SQL
AS

DECLARE
moncurseur CURSOR FOR
SELECT table_name FROM FESTIVALS.information_schema.tables
WHERE table_schema = 'FESTIVALS_SCHEMA' AND table_type= 'BASE TABLE' ORDER BY table_name;

reponse VARCHAR DEFAULT '';

BEGIN
FOR variable in moncurseur DO
    reponse := variable.table_name||', '||reponse;
END FOR;
RETURN reponse;
END;
""")
print('Procédure créée')  

Procédure créée

Appeler la procédure info_base() pour afficher les tables de la Base de Données

In [179]:
query="call info_base();"
cur=conn.cursor(DictCursor)
cur.execute(query)
data_fetch=cur.fetchall()
LesTables=pd.DataFrame(data_fetch)
print(f'Les differentes tables de la Base de Données:{LesTables}')

Les differentes tables de la Base de Données:                   INFO_BASE
0  PARTICIPANTS, FESTIVALS,

Commandes de manipulation de données

Afficher le nombre de communes par région

In [182]:
query=" SELECT REGION, COUNT(COMMUNE) NOMBRE_COMMUNE  FROM FESTIVALS GROUP BY REGION ORDER BY REGION ;"
cur=conn.cursor(DictCursor)
cur.execute(query)
data_fetch=cur.fetchall()
reponse=pd.DataFrame(data_fetch)
reponse
Out[182]:
REGION NOMBRE_COMMUNE
0 Auvergne-Rhône-Alpes 404
1 Bourgogne-Franche-Comté 138
2 Bretagne 216
3 Centre-Val De Loire 111
4 Corse 23
5 Grand Est 208
6 Guadeloupe 5
7 Guyane 3
8 Hauts-De-France 159
9 La Réunion 10
10 Martinique 5
11 Mayotte 4
12 Normandie 125
13 Nouvelle Calédonie 3
14 Nouvelle-Aquitaine 349
15 Occitanie 364
16 Pays De La Loire 183
17 Polynésie Française 3
18 Provence-Alpes-Côte D'Azur 298
19 Île-De-France 380

Afficher le nombre de festivals par région

In [184]:
query=" SELECT REGION, COUNT(NO_ID) NOMBRE_FESTIVAL FROM FESTIVALS GROUP BY REGION ORDER BY COUNT(NO_ID) DESC ;"
cur=conn.cursor(DictCursor)
cur.execute(query)
data=cur.fetchall()
reponse=pd.DataFrame(data)
reponse
Out[184]:
REGION NOMBRE_FESTIVAL
0 Auvergne-Rhône-Alpes 404
1 Île-De-France 380
2 Occitanie 364
3 Nouvelle-Aquitaine 349
4 Provence-Alpes-Côte D'Azur 298
5 Bretagne 216
6 Grand Est 208
7 Pays De La Loire 183
8 Hauts-De-France 159
9 Bourgogne-Franche-Comté 138
10 Normandie 125
11 Centre-Val De Loire 111
12 Corse 23
13 La Réunion 10
14 Martinique 5
15 Guadeloupe 5
16 Mayotte 4
17 Nouvelle Calédonie 3
18 Polynésie Française 3
19 Guyane 3
In [185]:
sns.set_style("white")
sns.barplot(y="REGION",x="NOMBRE_FESTIVAL",data=reponse ,palette="seismic").set_title("Répartition des festivals par région ");
plt.show()
No description has been provided for this image

Afficher le chiffre d'affaire annuel par domaine et complément de domaine

In [187]:
query="""
SELECT 
YEAR(DATEDEBUT) ANNEE,
DOMAINE,
COMPLEMENT_DOMAINE,
SUM(PRIX*TOTAL_PARTICIPANT)  REVENU_ANNUEL
FROM FESTIVALS  JOIN PARTICIPANTS 
ON PARTICIPANTS.NO_ID=FESTIVALS.NO_ID
GROUP BY YEAR(DATEDEBUT),DOMAINE,COMPLEMENT_DOMAINE
ORDER BY YEAR(DATEDEBUT),DOMAINE;
"""
cur.execute(query)
data=cur.fetchall()
reponse=pd.DataFrame(data)
reponse
Out[187]:
ANNEE DOMAINE COMPLEMENT_DOMAINE REVENU_ANNUEL
0 2017 Arts Plastiques Et Visuels Non Renseigné 60413
1 2017 Arts Plastiques Et Visuels Photographie 75000
2 2017 Arts Plastiques Et Visuels Design 70629
3 2017 Cinéma Et Audiovisuel Non Renseigné 221404
4 2017 Cinéma Et Audiovisuel Courts-Métrages 76332
... ... ... ... ...
226 2020 Arts Plastiques Et Visuels Non Renseigné 22034
227 2020 Cinéma Et Audiovisuel Audiovisuel 74796
228 2020 Musiques Actuelles Jazz, Blues Et Musiques Improvisées 13050
229 2020 Musiques Actuelles Musiques Amplifiées Ou Électroniques 72756
230 2020 Pluridisciplinaire Spectacle Vivant Non Renseigné 29736

231 rows × 4 columns

In [188]:
sns.set_style("white")
palette = ["g", "b", "r", "y", "#4CC9F0"]
sns.barplot(y="DOMAINE", x="REVENU_ANNUEL", hue="ANNEE",data=reponse,palette=palette).set_title("Répartition des revenus par année et domaine ");
plt.show()
No description has been provided for this image

Afficher le nombre de festivals par mois ainsi que le nombre de participants et le revenu

In [190]:
query="""
SELECT 
MONTH(DATEDEBUT) NUM_MOIS,
MONTHNAME(DATEDEBUT) NOM_MOIS, 
COUNT(DATEDEBUT) NB_FESTIVAL,
SUM(TOTAL_PARTICIPANT) TOTAL_PARTICIPANT,
SUM(PRIX*TOTAL_PARTICIPANT)  REVENU
FROM FESTIVALS  JOIN PARTICIPANTS 
ON PARTICIPANTS.NO_ID=FESTIVALS.NO_ID
GROUP BY MONTH(DATEDEBUT),MONTHNAME(DATEDEBUT)
ORDER BY MONTH(DATEDEBUT);  
"""
cur=conn.cursor(DictCursor)
cur.execute(query)
data=cur.fetchall()
reponse=pd.DataFrame(data)
reponse
Out[190]:
NUM_MOIS NOM_MOIS NB_FESTIVAL TOTAL_PARTICIPANT REVENU
0 1 Jan 56 40877 2065372
1 2 Feb 65 45850 2700679
2 3 Mar 205 144384 8720062
3 4 Apr 171 117349 6787649
4 5 May 255 192338 11537937
5 6 Jun 329 236359 13965442
6 7 Jul 470 325803 18717790
7 8 Aug 313 223690 13169085
8 9 Sep 594 430668 25130479
9 10 Oct 281 202967 12035563
10 11 Nov 208 147751 8866698
11 12 Dec 43 33617 2078149
In [191]:
sns.set_style("white")
sns.barplot(x="NOM_MOIS",y="TOTAL_PARTICIPANT",data=reponse,palette="cubehelix").set_title("Répartition des participants par mois ");
plt.show()
plt.show()
No description has been provided for this image
In [192]:
sns.set_style("white")
sns.barplot(x="NOM_MOIS",y="REVENU",data=reponse,palette="pastel").set_title("Répartition des revenus par mois ");
plt.show()
plt.show()
No description has been provided for this image

Afficher les informations statistiques sur la répartition des festivals par région

In [194]:
query=""" 
SELECT 
    REGION,
    SUM(TOTAL_PARTICIPANT) SUM_PARTICIPANT, 
    ROUND(AVG(TOTAL_PARTICIPANT),2) AVG_PARTICIPANT ,
    MIN(TOTAL_PARTICIPANT) MIN_PARTICIPANT, 
    MAX(TOTAL_PARTICIPANT) MAX_PARTICIPANT  
    FROM FESTIVALS JOIN PARTICIPANTS 
    ON FESTIVALS.NO_ID=PARTICIPANTS.NO_ID
    GROUP BY REGION 
    ORDER BY SUM(TOTAL_PARTICIPANT) DESC ;
"""
cur=conn.cursor(DictCursor)
cur.execute(query)
data_fetch=cur.fetchall()
reponse=pd.DataFrame(data_fetch)
reponse
Out[194]:
REGION SUM_PARTICIPANT AVG_PARTICIPANT MIN_PARTICIPANT MAX_PARTICIPANT
0 Auvergne-Rhône-Alpes 282895 701.97 345 1427
1 Île-De-France 270023 710.59 350 1476
2 Occitanie 261457 718.29 326 1453
3 Nouvelle-Aquitaine 258024 739.32 345 1457
4 Provence-Alpes-Côte D'Azur 211535 709.85 309 1409
5 Bretagne 154799 716.66 352 1415
6 Grand Est 151411 727.94 350 1402
7 Pays De La Loire 134104 732.81 334 1439
8 Hauts-De-France 110255 693.43 358 1420
9 Normandie 92238 737.90 355 1394
10 Bourgogne-Franche-Comté 92021 666.82 350 1340
11 Centre-Val De Loire 80212 722.63 344 1388
12 Corse 17126 744.61 380 1364
13 La Réunion 7252 725.20 420 1057
14 Guadeloupe 4479 895.80 485 1166
15 Martinique 3871 774.20 393 1278
16 Mayotte 3074 768.50 547 1175
17 Polynésie Française 2881 960.33 371 1382
18 Guyane 2105 701.67 605 750
19 Nouvelle Calédonie 1891 630.33 441 967

Afficher le nombre de participants par domaine dépassant 10000 participants

In [196]:
query=""" 
SELECT DOMAINE,SUM(TOTAL_PARTICIPANT) PARTICIPANT
FROM FESTIVALS JOIN PARTICIPANTS
ON FESTIVALS.NO_ID=PARTICIPANTS.NO_ID
GROUP BY DOMAINE
HAVING SUM(TOTAL_PARTICIPANT)>10000
ORDER BY SUM(TOTAL_PARTICIPANT) DESC ;
"""

cur=conn.cursor(DictCursor)
cur.execute(query)
data_fetch=cur.fetchall()
reponse=pd.DataFrame(data_fetch)
reponse
Out[196]:
DOMAINE PARTICIPANT
0 Musiques Actuelles 1144691
1 Cirque Et Arts De La Rue 159647
2 Cinéma Et Audiovisuel 156463
3 Musiques Classiques 140565
4 Pluridisciplinaire Spectacle Vivant 138238
5 Livre Et Littérature 124737
6 Transdisciplinaire 86395
7 Divers Spectacle Vivant 64774
8 Pluridisciplinaire Musique 36304
9 Arts Plastiques Et Visuels 31984
10 Danse 30100
11 Théâtre 20231
In [197]:
sns.set_style("white")
sns.barplot(y="DOMAINE",x="PARTICIPANT",data=reponse ,palette="mako").set_title("Répartition des participants par domaines ");
plt.show()
No description has been provided for this image

Afficher les communes pour lesquelles un festival du méme domaine à été réalisé plus que trois fois en Janvier, Février ou, Mars

In [199]:
query=""" 
SELECT COMMUNE, DOMAINE ,COUNT(NO_ID) FREQUENCE
FROM FESTIVALS
WHERE NOM_MOIS_HABITUEL IN ('Janvier','Fevrier','Mars')
GROUP BY COMMUNE,DOMAINE
HAVING COUNT(NO_ID)>3
ORDER BY COMMUNE,DOMAINE DESC;
"""
cur=conn.cursor(DictCursor)
cur.execute(query)
data_fetch=cur.fetchall()
reponse=pd.DataFrame(data_fetch)
reponse
Out[199]:
COMMUNE DOMAINE FREQUENCE
0 Lyon Musiques Actuelles 4
1 Paris Transdisciplinaire 4
2 Paris Musiques Actuelles 8

Classer les festivals en fonction du nombre de participants. Afficher le nom du festival, le domaine, la commune, le departement, le nombre de participant à ce festival, le nombre total de participants et le pourcentage du total

In [201]:
query=""" 
SELECT TOP 10 
NOM_MANIF ,DOMAINE,COMMUNE,DEPARTEMENT
TOTAL_PARTICIPANT ,
SUM(TOTAL_PARTICIPANT) OVER() TOTAL,
ROUND((TOTAL_PARTICIPANT/SUM(TOTAL_PARTICIPANT) OVER())*100,3) POURCENTAGE
FROM FESTIVALS  JOIN PARTICIPANTS 
ON PARTICIPANTS.NO_ID=FESTIVALS.NO_ID
ORDER BY TOTAL_PARTICIPANT DESC;
"""
ur=conn.cursor(DictCursor)
cur.execute(query)
data_fetch=cur.fetchall()
reponse=pd.DataFrame(data_fetch)
reponse
Out[201]:
NOM_MANIF DOMAINE COMMUNE TOTAL_PARTICIPANT TOTAL POURCENTAGE
0 Blues Up Orchestra Musiques Actuelles Le Mont Dore 988 2141653 0.023
1 Festival Du Cinéma Des Peuples Anuu-Ru-Aboro Cinéma Et Audiovisuel Poindimie 988 2141653 0.045
2 Festival Du Cinéma De La Foa Cinéma Et Audiovisuel La Foa 988 2141653 0.021
3 Salon International Du Livre Océanien Livre Et Littérature Papeete 987 2141653 0.053
4 Lire En Polynésie Livre Et Littérature Papeete 987 2141653 0.065
5 Festival International Du Film Documentaire Oc... Cinéma Et Audiovisuel Papeete 987 2141653 0.017
6 Festival De L'Image Sous-Marine Cinéma Et Audiovisuel Mamoudzou 976 2141653 0.028
7 Festival Hip Hop Évolution Danse Bandraboua 976 2141653 0.036
8 Ciné Musafiri Cinéma Et Audiovisuel Mamoudzou 976 2141653 0.026
9 Festival Milatsika Musiques Actuelles Chiconi 976 2141653 0.055

Afficher les festivals les plus rentables pour les communes du département 95. Afficher aussi le montant du festival ainsi que le revenu total de la commune et du département

In [203]:
query="""
SELECT TOP 15  
NOM_MANIF ,COMMUNE,DEPARTEMENT,PRIX,TOTAL_PARTICIPANT PARTICIPANT,PRIX*TOTAL_PARTICIPANT MONTANT_MANIF,
SUM(TOTAL_PARTICIPANT*PRIX) OVER(PARTITION BY COMMUNE) REVENU_COMMUNE,
SUM(TOTAL_PARTICIPANT*PRIX) OVER(PARTITION BY DEPARTEMENT) REVENU_DEPARTEMENT,
FROM FESTIVALS  JOIN PARTICIPANTS 
ON PARTICIPANTS.NO_ID=FESTIVALS.NO_ID
WHERE DEPARTEMENT=95
ORDER BY PRIX*TOTAL_PARTICIPANT DESC,DEPARTEMENT ;
"""
cur=conn.cursor(DictCursor)
cur.execute(query)
data_fetch=cur.fetchall()
reponse=pd.DataFrame(data_fetch)
reponse
Out[203]:
NOM_MANIF COMMUNE DEPARTEMENT PRIX PARTICIPANT MONTANT_MANIF REVENU_COMMUNE REVENU_DEPARTEMENT
0 Charivari Au Village Cergy Pontoise 95 98 1350 132300 394252 1288999
1 World Of Words Cergy Pontoise 95 95 1368 129960 394252 1288999
2 Festival Theatral Du Val D'Oise Eaubonne 95 99 907 89793 168993 1288999
3 Ecrans Vo Festival Image Par Image Pontoise 95 80 1111 88880 169956 1288999
4 Rencontres D'Ici Et D'Ailleurs Garges Les Gonesse 95 94 918 86292 86292 1288999
5 Salon Du Livre Jeunesse D'Eaubonne Eaubonne 95 96 825 79200 168993 1288999
6 Royaumont Asnieres Sur Oise 95 91 864 78624 78624 1288999
7 Barriere Enghien Jazz Festival Enghien Les Bains 95 96 782 75072 112604 1288999
8 Un Air De Voyage Cergy Pontoise 95 98 740 72520 394252 1288999
9 Festival Des Carrieres Saint Roch Luzarches 95 92 762 70104 70104 1288999
10 Friendstival Pontoise 95 85 676 57460 169956 1288999
11 Jazz Au Fil De L'Oise Montmorency 95 64 853 54592 92938 1288999
12 Automne Musical De Taverny Taverny 95 55 921 50655 50655 1288999
13 Festival Musical D'Automne Des Jeunes Interpre... Montmorency 95 66 581 38346 92938 1288999
14 Bains Numériques Enghien Les Bains 95 44 853 37532 112604 1288999

Afficher les informations sur le festival le plus rentable pour chaque domaine

In [205]:
query="""
WITH CTE_DOMAINE
AS
(
SELECT  
FESTIVALS.NO_ID,NOM_MANIF ,DOMAINE,PRIX,TOTAL_PARTICIPANT PARTICIPANT,PRIX*TOTAL_PARTICIPANT MONTANT_MANIF,
SUM(TOTAL_PARTICIPANT*PRIX) OVER(PARTITION BY DOMAINE) MONTANT_DOMAINE,
DENSE_RANK() OVER(PARTITION BY DOMAINE ORDER BY PRIX*TOTAL_PARTICIPANT DESC) RANG
FROM FESTIVALS  JOIN PARTICIPANTS 
ON PARTICIPANTS.NO_ID=FESTIVALS.NO_ID
ORDER BY PRIX*TOTAL_PARTICIPANT DESC
) 
SELECT* FROM CTE_DOMAINE WHERE CTE_DOMAINE.RANG=1;
"""
cur=conn.cursor(DictCursor)
cur.execute(query)
data_fetch=cur.fetchall()
reponse=pd.DataFrame(data_fetch)
reponse
Out[205]:
NO_ID NOM_MANIF DOMAINE PRIX PARTICIPANT MONTANT_MANIF MONTANT_DOMAINE RANG
0 HJ055 Festival Cinébanlieue - Paris/Saint-Denis Cinéma Et Audiovisuel 98 1476 144648 9107987 1
1 AD298 Morzine Harley Days Musiques Actuelles 98 1427 139846 68012449 1
2 JM010 Chapit'Otertre Cirque Et Arts De La Rue 94 1457 136958 9378260 1
3 HK009 Festival Vo/Vf, La Parole Aux Traducteurs Livre Et Littérature 98 1394 136612 7387950 1
4 IG003 Festival Ado Théâtre 97 1394 135218 1234475 1
5 AB041 Merci Bonsoir Festival Pluridisciplinaire Spectacle Vivant 94 1407 132258 7642052 1
6 HA001 Festival Des Cultures Juives Transdisciplinaire 91 1415 128765 5235734 1
7 JE022 Musical Ocean Musiques Classiques 93 1330 123690 8017750 1
8 JH035 Marais Vous Bien Divers Spectacle Vivant 91 1354 123214 3785822 1
9 HL001 Festival De L'Histoire De L'Art De Fontainebleau Domaines Divers 95 1231 116945 539649 1
10 IF001 Danse De Tous Les Sens Danse 86 1339 115154 1603647 1
11 AC002 Les Voix Du Prieure Pluridisciplinaire Musique 87 1322 115014 2055799 1
12 HI001 Festival Circulations Arts Plastiques Et Visuels 81 1347 109107 1773331 1

Afficher le premier festival organisé dans chaque région ansi que le nombre de participants, le coût, le revenue et date du début

In [207]:
query="""

WITH PREMIER_FESTIVAL AS
(
SELECT F.NO_ID,REGION,NOM_MANIF,PRIX,TOTAL_PARTICIPANT,PRIX*TOTAL_PARTICIPANT REVENUE, DATE_DEBUT,
ROW_NUMBER() OVER (PARTITION BY REGION ORDER BY DATE_DEBUT) NUMERO
FROM FESTIVALS F JOIN PARTICIPANTS P
ON F.NO_ID=P.NO_ID
)
SELECT REGION, NOM_MANIF ,PRIX,TOTAL_PARTICIPANT, REVENUE,DATE_DEBUT,NUMERO, FROM PREMIER_FESTIVAL 
WHERE NUMERO=1 ORDER BY REGION;
"""
cur=conn.cursor(DictCursor)
cur.execute(query)
data_fetch=cur.fetchall()
reponse=pd.DataFrame(data_fetch)
reponse
Out[207]:
REGION NOM_MANIF PRIX TOTAL_PARTICIPANT REVENUE DATE_DEBUT NUMERO
0 Auvergne-Rhône-Alpes Festival De La Chabriole 45 474 21330 2017-09-21 1
1 Bourgogne-Franche-Comté Keep The Faith Weekender 35 639 22365 2017-09-21 1
2 Bretagne Sea Fest N Sound 17 550 9350 2017-09-21 1
3 Centre-Val De Loire Allotropiques 18 500 9000 2017-09-21 1
4 Corse Calvi Jazz 53 891 47223 2017-09-21 1
5 Grand Est Biennale Selest'Art 27 451 12177 2017-09-21 1
6 Guadeloupe Festival Prix De Court 41 864 35424 2017-09-21 1
7 Guyane Les Rencontres Photographiques De Guyane 100 750 75000 2017-09-21 1
8 Hauts-De-France Cassel Cornemuses 61 555 33855 2017-09-21 1
9 La Réunion Festival Même Pas Peur 100 1057 105700 2017-09-21 1
10 Martinique Fort-De-France 72 893 64296 2018-07-01 1
11 Mayotte Festival Milatsika 63 1175 74025 2018-10-12 1
12 Normandie Chants D’Elles 67 636 42612 2017-09-21 1
13 Nouvelle Calédonie Blues Up Orchestra 47 483 22701 2017-09-21 1
14 Nouvelle-Aquitaine Jazz Nuts Festival 14 741 10374 2017-09-21 1
15 Occitanie Bob Marley One Love Celebration 34 470 15980 2017-09-21 1
16 Pays De La Loire La Mer Est Loin 100 1358 135800 2017-09-21 1
17 Polynésie Française Salon International Du Livre Océanien 81 1128 91368 2018-09-07 1
18 Provence-Alpes-Côte D'Azur Fatche De - Festival Du Rire De Marseille 33 415 13695 2017-09-21 1
19 Île-De-France Festiva'Son 95 723 68685 2017-09-21 1

Afficher le chiffre d'affaire par mois , celui du mois précédent, la difference entre les deux et une colonne conditionnelle indiquant la croissance ou la décroissance

In [209]:
query="""
SELECT 
MONTH(DATEDEBUT) NUM_MOIS,
MONTHNAME(DATEDEBUT) NOM_MOIS, 
SUM(PRIX*TOTAL_PARTICIPANT)  REVENU_MOIS,
LAG(SUM(PRIX*TOTAL_PARTICIPANT)) OVER (ORDER BY MONTH(DATEDEBUT)) AS REVENU_MOIS_AVANT,
SUM(PRIX*TOTAL_PARTICIPANT)-LAG(SUM(PRIX*TOTAL_PARTICIPANT)) OVER (ORDER BY MONTH(DATEDEBUT)) AS DIFFERENCE,
CASE
WHEN SUM(PRIX*TOTAL_PARTICIPANT)-LAG(SUM(PRIX*TOTAL_PARTICIPANT)) OVER (ORDER BY MONTH(DATEDEBUT))>0 THEN 'CROISSANCE'
WHEN SUM(PRIX*TOTAL_PARTICIPANT)-LAG(SUM(PRIX*TOTAL_PARTICIPANT)) OVER (ORDER BY MONTH(DATEDEBUT))<0 THEN 'DECROISSANCE'
ELSE 'INDETERMINE'
END REMARQUE
FROM FESTIVALS  JOIN PARTICIPANTS 
ON PARTICIPANTS.NO_ID=FESTIVALS.NO_ID
GROUP BY MONTH(DATEDEBUT),MONTHNAME(DATEDEBUT)
ORDER BY MONTH(DATEDEBUT);
"""

cur=conn.cursor(DictCursor)
cur.execute(query)
data=cur.fetchall()
reponse=pd.DataFrame(data)
reponse
Out[209]:
NUM_MOIS NOM_MOIS REVENU_MOIS REVENU_MOIS_AVANT DIFFERENCE REMARQUE
0 1 Jan 2065372 NaN NaN INDETERMINE
1 2 Feb 2700679 2065372.0 635307.0 CROISSANCE
2 3 Mar 8720062 2700679.0 6019383.0 CROISSANCE
3 4 Apr 6787649 8720062.0 -1932413.0 DECROISSANCE
4 5 May 11537937 6787649.0 4750288.0 CROISSANCE
5 6 Jun 13965442 11537937.0 2427505.0 CROISSANCE
6 7 Jul 18717790 13965442.0 4752348.0 CROISSANCE
7 8 Aug 13169085 18717790.0 -5548705.0 DECROISSANCE
8 9 Sep 25130479 13169085.0 11961394.0 CROISSANCE
9 10 Oct 12035563 25130479.0 -13094916.0 DECROISSANCE
10 11 Nov 8866698 12035563.0 -3168865.0 DECROISSANCE
11 12 Dec 2078149 8866698.0 -6788549.0 DECROISSANCE

Afficher le chiffre d'affaire par mois , celui du mois suivant, la difference entre les deux et une colonne conditionnelle indiquant la croissance ou la décroissance

In [211]:
query="""
SELECT 
MONTH(DATEDEBUT) NUM_MOIS,
MONTHNAME(DATEDEBUT) NOM_MOIS, 
SUM(PRIX*TOTAL_PARTICIPANT)  REVENU_MOIS,
LEAD(SUM(PRIX*TOTAL_PARTICIPANT)) OVER (ORDER BY MONTH(DATEDEBUT)) AS REVENU_MOIS_APRES,
SUM(PRIX*TOTAL_PARTICIPANT)-LEAD(SUM(PRIX*TOTAL_PARTICIPANT)) OVER (ORDER BY MONTH(DATEDEBUT)) AS DIFFERENCE,
CASE
WHEN SUM(PRIX*TOTAL_PARTICIPANT)-LEAD(SUM(PRIX*TOTAL_PARTICIPANT)) OVER (ORDER BY MONTH(DATEDEBUT))>0 THEN 'DECROISSANCE'
WHEN SUM(PRIX*TOTAL_PARTICIPANT)-LEAD(SUM(PRIX*TOTAL_PARTICIPANT)) OVER (ORDER BY MONTH(DATEDEBUT))<0 THEN 'CROISSANCE'
ELSE 'INDETERMINE'
END REMARQUE
FROM FESTIVALS  JOIN PARTICIPANTS 
ON PARTICIPANTS.NO_ID=FESTIVALS.NO_ID
GROUP BY MONTH(DATEDEBUT),MONTHNAME(DATEDEBUT)
ORDER BY MONTH(DATEDEBUT);
"""

cur=conn.cursor(DictCursor)
cur.execute(query)
data=cur.fetchall()
reponse=pd.DataFrame(data)
reponse
Out[211]:
NUM_MOIS NOM_MOIS REVENU_MOIS REVENU_MOIS_APRES DIFFERENCE REMARQUE
0 1 Jan 2065372 2700679.0 -635307.0 CROISSANCE
1 2 Feb 2700679 8720062.0 -6019383.0 CROISSANCE
2 3 Mar 8720062 6787649.0 1932413.0 DECROISSANCE
3 4 Apr 6787649 11537937.0 -4750288.0 CROISSANCE
4 5 May 11537937 13965442.0 -2427505.0 CROISSANCE
5 6 Jun 13965442 18717790.0 -4752348.0 CROISSANCE
6 7 Jul 18717790 13169085.0 5548705.0 DECROISSANCE
7 8 Aug 13169085 25130479.0 -11961394.0 CROISSANCE
8 9 Sep 25130479 12035563.0 13094916.0 DECROISSANCE
9 10 Oct 12035563 8866698.0 3168865.0 DECROISSANCE
10 11 Nov 8866698 2078149.0 6788549.0 DECROISSANCE
11 12 Dec 2078149 NaN NaN INDETERMINE

Commandes de contrôle de données

Créer un utilisateur pour la connexion Power BI à Snowflake

In [214]:
cur=conn.cursor() 
query="""
CREATE OR REPLACE USER HV LOGIN_NAME='VALCOURTH' PASSWORD='HARALDVALCOURT' 
DEFAULT_ROLE='ACCOUNTADMIN' 
DEFAULT_WAREHOUSE='COMPUTE_WH' 
MUST_CHANGE_PASSWORD=FALSE;
"""
cur.execute(query)
print('Utilisateur créer')

Utilisateur créer

Accorder le rôle "ACCOUNTADMIN" au nouvel utitlisateur

In [216]:
cur.execute('GRANT ROLE ACCOUNTADMIN TO USER HV;') 
print('Rôle accordé')

Rôle accordé

Troisième partie : Le langage DAX avec Power BI¶

Le langage DAX nous permettra de:

  • Créer des mesures
  • Créer de nouvelles colonnes
  • Effectuer certain calcul entre les tables
  • Créer des fonctions personnalisées

Cette partie du projet comprend les étapes suivantes:

  • La connexion de Power BI à Sowflake
  • Le chargement des tables FESTIVALS et PARTICIPANTS dans Power BI
  • La définition les indicateurs clés requis(KPI)
  • La définition les rapports requis
  • La création des nouvelles tables
  • La création de nouvelles colonnes;
  • La création de nouvelles mesures.

Connexion de Power BI à Snowflake

image.png

Récupération des tables FESTIVALS et PARTICIPANTS depuis la plateforme Snowflake

image.png

Définir les indicateurs clés requis

Les indicateurs clés sont les suivants:

  • Le chiffre d'affaire de 2017
  • le chiffre d'affaire de 2018
  • Le chiffre d'affaire total
  • Le nombre de participants total
  • Le nombre de domaines
  • Le nombre de festivals
  • Le nombre de communes

Définir les rapports requis

Les rapports requis sont les suivants:

  • La répartition des festivals par région
  • La répartition des festivals par domaine
  • La répartition de participants par domaine
  • La répartition de participants par région
  • La répartition du chiffre d'affaire par domaines
  • La répartition du chiffre d'affaire par région
  • La répartition du chiffre d'affaire par année
  • L'évolution du chiffre d'affaire par région
  • L'évolution du chiffre d'affaire par domaine
  • L'évolution du chiffre d'affaire par année
  • La géolocalisation des festivals
  • Les participants par domaine,departement, région et commune

Ajouter une nouvelle table personnalisée 'DATE'

image.png

Ajouter de nouvelles colonnes

image.png

Ajouter de nouvelles mesures

image.png

Relation entre les tables

image.png

Quatrième partie : La visaulisation avec Power BI¶

Création des rapports

image.png

image.png

image.png

image.png

image.png

image.png

image.png

image.png

image.png

Création du tableau de bord

image.png