Corrigé contrôle 6
- Charger les données du fichier excel
df = pandas.read_excel("Donnees_M2_RD.xlsx")
- Afficher la plus grande valeur de la colonne RT.
103152
- Placer dans une DataFrame df_1 les essais dont la réponse est 1.
Placer dans une DataFrame df_2 les essais dont la réponse est 2.
df_1 = pandas.DataFrame(df[df["Response"] == 1])
df_2 = pandas.DataFrame(df[df["Response"] == 2])
- Ajouter à la DataFrame df_1 une colonne booléenne « juste » indiquant si la réponse est correcte (c’est-à-dire si Dist_A est plus petit que Dist_B).
Ajouter à la DataFrame df_2 une colonne booléenne « juste » indiquant si la réponse est correcte (c’est-à-dire si Dist_B est plus petit que Dist_A).
df_1["juste"] = (df_1["Dist_A"] < df_1["Dist_B"])
df_2["juste"] = (df_2["Dist_A"] > df_2["Dist_B"])
- Placer dans df_j l’assemblage des deux DataFrames df_1 et df_2.
df_j = pandas.concat([df_1, df_2])
- Créer une Series compte_total comptant le nombre d’essais pour chaque Subject et chaque Response.
Créer une Series compte_juste comptant le nombre d’essais justes pour chaque Subject et chaque Response.
compte_total = df_j.groupby(by=["Subject", "Response"])["RT"].count()
compte_juste = df_j[df_j["juste"]].groupby(by=["Subject", "Response"])["RT"].count()
- Créer une Series taux_juste indiquant le pourcentage de réponses justes pour chaque Subject et chaque Response.
taux_juste = (compte_juste / compte_total * 100).rename("taux_juste")
Subject Response
P_ADI_331 1 84.042553
2 80.188679
P_ALM_345 1 79.807692
2 82.291667
P_AMY_346 1 78.873239
2 82.887701
P_BAM_347 1 80.434783
2 75.925926
P_BEH_340 1 80.444444
2 89.142857
P_BLC_325 1 75.000000
2 79.234973
P_BLR_321 1 80.838323
2 72.413793
P_BOA_321 1 84.693878
2 83.743842
P_BOC_342 1 72.811060
2 77.049180
P_CAR_327 1 72.222222
2 64.830508
P_CAV_333 1 86.432161
2 86.069652
P_CON_336 1 79.820628
2 87.570621
P_GAM_338 1 85.643564
2 86.363636
P_GHM_334 1 82.323232
2 81.683168
P_GRC_341 1 80.500000
2 80.500000
P_GRF_322 1 75.418994
2 70.909091
P_LAC_354 1 82.162162
2 77.674419
P_LEG_335 1 78.873239
2 82.887701
P_MOE_339 1 85.714286
2 89.473684
P_ROS_336 1 82.464455
2 86.243386
P_SOA_337 1 73.542601
2 79.661017
P_TAI_343 1 83.720930
2 75.438596
P_VAL_329 1 68.867925
2 71.276596
P_VAR_330 1 83.139535
2 75.000000
Name: taux_juste, dtype: float64