Notebook séance 6
import pandas
df = pandas.read_excel("Donnees_M2_RD.xlsx")
Histogramme
Faire un histogramme de la quantité d’essais selon le temps de réaction.
On fait l’histogramme sur la série qui contient uniquement les RT, car le tracé sur la dataframe est trop long.
df["RT"].plot.hist(bins=10)
<AxesSubplot:ylabel='Frequency'>
Ajout des réussites
reussites = (
((df['Response'] == 1) & (df['Dist_A'] < df['Dist_B']))
| ((df['Response'] == 2) & (df['Dist_A'] > df['Dist_B']))
)
df["reussit"] = reussites
Bar
Créer une dataframe contenant les essais en mode Dic(hotique) à gauche et enfaire une copie via
df_copie = pandas.DataFrame(df_a_copier)
Ajouter un attribut mode_side contenant la valeur "Dic_G"
En créer deux autres versions: une pour Dic à droite et une pour Dio (tique) (sans différencier les côtés)
Assembler les 3 dataframes obtenues.
Faire un affichage de barres avec le nombre d’essais réussis (filtrer et compter).
df_d = pandas.DataFrame(df[(df["Mode"] == "Dic") & (df["Side"] == "D")])
df_d["mode_side"] = "Dic_D"
df_g = pandas.DataFrame(df[(df["Mode"] == "Dic") & (df["Side"] == "G")])
df_g["mode_side"] = "Dic_G"
df_dio = pandas.DataFrame(df[df["Mode"] == "Dio"])
df_dio["mode_side"] = "Dio"
df_mode = pandas.concat([df_d, df_g, df_dio])
s_reussits_mode_side = df_mode[df_mode["reussit"]].groupby(by="mode_side")["Subject"].count()
s_mode_side = df_mode.groupby(by="mode_side")["Subject"].count()
df_norm = pandas.DataFrame(
{
"total": s_mode_side,
"reussits": s_reussits_mode_side
}
)
df_norm["reussits_n"] = df_norm["reussits"] / df_norm["total"]
df_norm["reussits_n"].plot.bar()
<AxesSubplot:xlabel='mode_side'>
Changements d’indexes
Obtenir la DataFrame indexée par Subject et Space
df.set_index(["Subject","Space"])
| Name_A | Name_B | Dist_A | Dist_B | Mode | Side | Response | RT | reussit | ||
|---|---|---|---|---|---|---|---|---|---|---|
| Subject | Space | |||||||||
| P_ADI_331 | E | 0 | 2 | 2 | 4 | Dic | D | 2 | 18865 | False |
| E | 1 | 4 | 4 | 1 | Dic | D | 2 | 13157 | True | |
| E | 4 | 3 | 3 | 2 | Dic | D | 1 | 11628 | False | |
| E | 2 | 4 | 4 | 1 | Dic | D | 1 | 10068 | False | |
| E | 1 | 2 | 2 | 4 | Dic | D | 1 | 11801 | True | |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| P_VAR_330 | I | 0 | 1 | 3 | 5 | Dio | D | 1 | 7626 | True |
| I | 3 | 2 | 5 | 1 | Dio | D | 2 | 6349 | True | |
| I | 2 | 0 | 4 | 2 | Dio | D | 2 | 9031 | True | |
| I | 0 | 2 | 2 | 1 | Dio | D | 2 | 16323 | True | |
| I | 0 | 3 | 5 | 1 | Dio | D | 2 | 10139 | True |
9594 rows × 9 columns
Obtenir la DataFrame indexée par Subject, Space et l’index original avec un niveau nommé essai (on peut utiliser .rename sur un index)
df.set_index(["Subject","Space", df.index.rename("essai")])
| Name_A | Name_B | Dist_A | Dist_B | Mode | Side | Response | RT | reussit | |||
|---|---|---|---|---|---|---|---|---|---|---|---|
| Subject | Space | essai | |||||||||
| P_ADI_331 | E | 0 | 0 | 2 | 2 | 4 | Dic | D | 2 | 18865 | False |
| 1 | 1 | 4 | 4 | 1 | Dic | D | 2 | 13157 | True | ||
| 2 | 4 | 3 | 3 | 2 | Dic | D | 1 | 11628 | False | ||
| 3 | 2 | 4 | 4 | 1 | Dic | D | 1 | 10068 | False | ||
| 4 | 1 | 2 | 2 | 4 | Dic | D | 1 | 11801 | True | ||
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| P_VAR_330 | I | 9589 | 0 | 1 | 3 | 5 | Dio | D | 1 | 7626 | True |
| 9590 | 3 | 2 | 5 | 1 | Dio | D | 2 | 6349 | True | ||
| 9591 | 2 | 0 | 4 | 2 | Dio | D | 2 | 9031 | True | ||
| 9592 | 0 | 2 | 2 | 1 | Dio | D | 2 | 16323 | True | ||
| 9593 | 0 | 3 | 5 | 1 | Dio | D | 2 | 10139 | True |
9594 rows × 9 columns
