import csv import matplotlib.pyplot as plt ############ Question 1 ############ def charger(nom_fichier): """ Lit un fichier CSV (contenant les colonnes 'Year' et 'Anomaly') et renvoie une liste de dictionnaires correctement typés. """ donnees = [] with open(nom_fichier, mode='r', encoding='utf-8') as f: lecteur = csv.DictReader(f) for ligne in lecteur: annee = int(ligne["Year"]) ecart = float(ligne["Anomaly"]) donnees.append({"année": annee, "écart": ecart}) return donnees # Chargement global des données datas_temperature = charger("datas.csv") ############################################################################# # Question 1 : Recherche de l'écart # ############################################################################# def ecart_temperature(datas: list[dict[str, float]], annee: int) -> float | None: """ Recherche et retourne l'écart de température pour une année donnée. Paramètres: datas : liste de dictionnaires contenant les données météorologiques annee : l'année recherchée Retour: L'écart de température (float) si l'année est trouvée, None sinon """ # Parcourir chaque dictionnaire de la liste de données for d in datas: # Si l'année du dictionnaire correspond à celle recherchée if d["année"] == annee: # Retourner immédiatement l'écart trouvé return d["écart"] # Si la boucle se termine sans trouver l'année, retourner None return None # Jeu de tests print("Tests question 1 :") assert ecart_temperature(datas_temperature, 2020) == 1.01 assert ecart_temperature(datas_temperature, 1851) == -0.15 assert ecart_temperature(datas_temperature, 2050) is None assert ecart_temperature(datas_temperature, 2025) == 1.29 print("Tous les tests passent !") # Écrire la fonction ecart_temperature et ses tests ici def derniere_annee_ecart_negatif(datas): annee = max([element["année"] for element in datas]) ecart = ecart_temperature(datas, annee) while ecart >= 0: annee = annee - 1 ecart = ecart_temperature(datas, annee) return annee print("Question 2 : Dernière année avec écart négatif") resultat = derniere_annee_ecart_negatif(datas_temperature) print(f"Dernière année à écart négatif : {resultat}") print(f"Écart cette année-là : {ecart_temperature(datas_temperature, resultat)} °C") # La dernière année où la température mondiale était inférieure à la moyenne de référence est 1977 avec un écart de −0,03 °C. ############################################################################# # Question 3 : Analyse et correction de bug # ############################################################################# def moyenne_ecarts(annee_debut, annee_fin, datas): """ Renvoie la moyenne des écarts de température pour la période comprise entre annee_debut et annee_fin (incluses). """ somme = 0 compteur = 0 for dico in datas: if annee_debut <= dico["année"] and dico["année"] <= annee_fin: # somme = somme - dico["écart"] # Erreur : il faut additionner les écarts, pas les soustraire somme += dico["écart"] # Correction : utilisation de += pour additionner les écarts compteur += 1 return somme / compteur def prevision(datas, annee, n): """ Renvoie l'écart de température attendu calculé par régression linéaire sur les n dernières années. """ longueur = len(datas) annee_debut = datas[longueur-n]["année"] annee_fin = datas[longueur-1]["année"] moy_annees = (annee_debut + annee_fin) / 2 moy_temperatures = moyenne_ecarts(annee_debut, annee_fin, datas) numerateur = 0 denominateur = 0 for i in range(1, n+1): ecart_annee = datas[longueur-i]["année"] - moy_annees ecart_temp = datas[longueur-i]["écart"] - moy_temperatures numerateur += ecart_annee * ecart_temp denominateur += ecart_annee ** 2 a = numerateur / denominateur b = moy_temperatures - a * moy_annees return a * annee + b print("Question 3 : Prévision pour 2040") print("Prévision pour 2040 :", prevision(datas_temperature, 2040, 20)) # Le résultat avant correction est absurde : -0.105 °C, ce qui est incohérent avec la tendance générale d'augmentation des températures. # L'erreur** : dans `moyenne_ecarts`, la ligne `somme = somme - dico["écart"]` soustrait l'écart au lieu de l'additionner, inversant le signe de la moyenne. Avec le `+`, la prévision pour 2040 donne une valeur positive cohérente avec le réchauffement actuel. # Le résultat après correction est d'environ 1.6 °C, ce qui est plus réaliste compte tenu de la tendance à l'augmentation des températures mondiales observée dans les données historiques. ############################################################################# # Question 3 : Dataviz (Warming Stripes) # ############################################################################# def graphique(datas): """ Représente visuellement les warming stripes. """ fig, ax = plt.subplots(figsize=(10, 2)) # Création d'une palette de couleurs basée sur l'amplitude thermique cmap = plt.get_cmap("seismic") temperatures = [dico["écart"] for dico in datas] max_val = max(max(temperatures), -min(temperatures)) norm = plt.Normalize(-max_val, max_val) # Création des listes pour les abscisses et ordonnées annees = [] ordonnees = [] # Remplir les listes annees et ordonnees ici : for dico in datas: annees.append(dico["année"]) ordonnees.append(1) # La hauteur de chaque barre est fixe (1) car seule la couleur varie # Génération du graphique ax.bar(annees, ordonnees, width=1.0, color=cmap(norm(temperatures))) ax.set_title("Warming Stripes mondiales - Base 1901-2000") plt.yticks([], []) # Masque l'axe Y car seule la couleur compte ax.set_xlabel("Année") plt.tight_layout() plt.show() graphique(datas_temperature)