Examen

Sujet 3 : Epidémie de Choléra, Londres 1854

Préembule

En 1854, le quartier de Soho à Londres a vécu une des pires épidémies de choléra du Royaume-Uni, avec 616 morts. Cette épidémie est devenue célèbre à cause de l'analyse détaillée de ses causes réalisée par le médecin John Snow. Ce dernier a notamment montré que le choléra est transmis par l'eau plutôt que par l'air, ce qui était la théorie dominante de l'époque. Un élément clé de cette analyse était une carte sur laquelle John Snow avait marqué les lieux des décès et les endroits où se trouvaient les pompes à eau publiques. Ces données sont aujourd'hui disponibles sous forme numérique. Nous vous proposons de les utiliser pour recréer la carte de John Snow dans un document computationnel réplicable.

Chargement et étude des données

#Bibliothéques :

import numpy as np
import pandas as pd
import folium

#Chargement des données
df_deaths = pd.read_csv('https://raw.githubusercontent.com/Fuenfgeld/DatamanagementAndArchiving/main/GeoCodingTutorial/cholera_deaths.csv')

	FID	DEATHS	LON	LAT
0	0	3	-0.137930	51.513418
1	1	2	-0.137883	51.513361
2	2	1	-0.137853	51.513317

df_pumps = pd.read_csv('https://raw.githubusercontent.com/Fuenfgeld/DatamanagementAndArchiving/main/GeoCodingTutorial/johnsnow_pumps.csv')

# Exploration des données
df_deaths.head()

	FID	DEATHS	LON	LAT
0	0	3	-0.137930	51.513418
1	1	2	-0.137883	51.513361
2	2	1	-0.137853	51.513317
3	3	1	-0.137812	51.513262
4	4	4	-0.137767	51.513204

df_pumps.head()

	FID	LON	LAT
0	250	-0.136668	51.513341
1	251	-0.139586	51.513876
2	252	-0.139671	51.514906
3	253	-0.131630	51.512354
4	254	-0.133594	51.512139

# Recherche de données nulles

df_deaths.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 250 entries, 0 to 249
Data columns (total 4 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   FID     250 non-null    int64  
 1   DEATHS  250 non-null    int64  
 2   LON     250 non-null    float64
 3   LAT     250 non-null    float64
dtypes: float64(2), int64(2)
memory usage: 7.9 KB

df_pumps.info ()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8 entries, 0 to 7
Data columns (total 3 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   FID     8 non-null      int64  
 1   LON     8 non-null      float64
 2   LAT     8 non-null      float64
dtypes: float64(2), int64(1)
memory usage: 320.0 bytes

df_deaths.describe()

	FID	DEATHS	LON	LAT
count	250.000000	250.000000	250.000000	250.000000
mean	124.500000	1.956000	-0.136415	51.513416
std	72.312977	1.573521	0.001568	0.000753
min	0.000000	1.000000	-0.140074	51.511856
25%	62.250000	1.000000	-0.137633	51.512871
50%	124.500000	1.000000	-0.136288	51.513379
75%	186.750000	2.000000	-0.135333	51.513956
max	249.000000	15.000000	-0.132933	51.515834

Création d'une cartographie

# Création liste longitude, latitude et nombre de morts
coordinates_p = df_pumps[["LAT","LON"]].values.tolist()
coordinates_d = df_deaths[["LAT","LON"]].values.tolist()
totaldeaths   = df_deaths[["DEATHS"]].values.tolist()
len(totaldeaths)

250

#ciblage de la carte
import folium
map = folium.Map(location=[51.5132119,-0.13666], tiles='Stamen Toner', zoom_start=17)

for i in range(0, len(coordinates_d)):
    folium.RegularPolygonMarker(coordinates_d[i], radius = totaldeaths[i], fill_color = "red", fill_opacity = 0.5, number_of_sides = 12).add_to(map) 

#Generation de la carte
map

Make this Notebook Trusted to load map: File -> Trust Notebook

Hypothèse de l'épidémie : Les sources d'eau

for i in range(0, len(coordinates_p)):
    folium.RegularPolygonMarker(coordinates_p[i], radius = 10, \
                                 fill_color = "blue", fill_opacity = 1
                               ).add_to(map)

map

Make this Notebook Trusted to load map: File -> Trust Notebook