0Pricing
Learn AI with Python · Leçon

Analyse bivariée et multivariée

Nuages de points, graphiques par paires, cartes thermiques de corrélation et statistiques groupées.

Analyse bivariée et multivariée est une leçon Learn AI with Python gratuite sur CoddyKit. Ceci est la leçon 3 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Learn AI with Python, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Learn AI with Python comprend 4 leçons au total.

D'une variable à plusieurs

L'analyse bivariée étudie la relation entre deux variables ; l'analyse multivariée en examine plusieurs à la fois.

L'objectif est de trouver quelles caractéristiques évoluent ensemble, de repérer les interactions et de décider quelles variables sont prédictives de votre variable cible.

Nuages de points avec plt.scatter

Un nuage de points représente deux variables numériques l'une par rapport à l'autre — chaque point correspond à une ligne. Il révèle les tendances, les groupes et les valeurs aberrantes.

import matplotlib.pyplot as plt
import seaborn as sns

plt.scatter(df["height"], df["weight"], alpha=0.4)
plt.xlabel("Height")
plt.ylabel("Weight")
plt.show()

Lire un nuage de points

Recherchez la direction (ascendante = relation positive, descendante = relation négative), la force (bande resserrée ou nuage dispersé) et la forme (linéaire ou courbe).

Ajoutez une hue avec sns.scatterplot pour colorer les points selon une catégorie et révéler la structure des groupes.

sns.scatterplot(x="height", y="weight", hue="gender", data=df, alpha=0.5)
plt.show()

Corrélation avec df.corr()

df.corr() calcule la corrélation de Pearson par paire entre les colonnes numériques : un nombre compris entre -1 et +1.

  • +1 → relation linéaire positive parfaite
  • 0 → aucune relation linéaire
  • -1 → relation linéaire négative parfaite
corr = df.corr(numeric_only=True)
print(corr["price"].sort_values(ascending=False))

Cartes de chaleur des corrélations

Une matrice de corrélation est plus facile à lire sous la forme d'une heatmap. Transmettez annot=True pour afficher les valeurs dans chaque cellule.

Utilisez une palette de couleurs divergente (par exemple coolwarm) afin que les corrélations positives et négatives aient des couleurs distinctes.

corr = df.corr(numeric_only=True)
sns.heatmap(corr, annot=True, fmt=".2f", cmap="coolwarm", center=0)
plt.show()

Repérer la multicolinéarité

Lorsque deux caractéristiques présentent une très forte corrélation (par exemple, > 0,9), elles contiennent des informations redondantes. Il s'agit de multicolinéarité, qui peut déstabiliser les modèles linéaires.

La heatmap fait ressortir les paires redondantes, ce qui vous permet d'en supprimer une.

corr = df.corr(numeric_only=True).abs()
high = corr[(corr > 0.9) & (corr < 1.0)]
print(high.dropna(how="all"))

La corrélation n'implique pas la causalité

Une forte corrélation ne signifie pas qu'une variable entraîne l'autre. Toutes deux peuvent être influencées par une troisième variable cachée, ou leur lien peut être dû au hasard.

Utilisez la corrélation pour formuler des hypothèses, puis validez-les à l'aide de connaissances du domaine et d'une analyse contrôlée.

Graphiques par paires avec sns.pairplot

sns.pairplot trace une grille de nuages de points pour chaque paire de colonnes numériques, avec des histogrammes ou des KDE sur la diagonale.

C'est le moyen le plus rapide d'observer d'un seul coup d'œil toutes les relations bivariées. Limitez le nombre de colonnes pour les grands jeux de données : le coût augmente comme le carré du nombre de colonnes.

sns.pairplot(df[["height", "weight", "age", "income"]], hue="gender")
plt.show()

Boîtes à moustaches groupées

Pour mettre en relation une variable numérique et une variable catégorielle, placez la catégorie sur l'axe des x d'une boîte à moustaches. Vous comparez instantanément les distributions entre les groupes.

sns.boxplot(x="city", y="income", data=df)
plt.xticks(rotation=45)
plt.show()

Agrégations groupées

Les nombres complètent les graphiques. groupby associé à agg résume une colonne numérique pour chaque catégorie.

C'est l'analyse multivariée sous forme de tableau : vous comparez les moyennes, les médianes et les effectifs côte à côte.

summary = df.groupby("city")["income"].agg(["mean", "median", "count"])
print(summary.sort_values("mean", ascending=False))

Graphiques multivariés avec encodages

Vous pouvez représenter trois variables ou davantage dans un seul graphique grâce aux encodages visuels : x, y, couleur (hue) et taille.

Cela montre comment les relations évoluent selon une troisième dimension, sans créer de graphiques séparés.

sns.scatterplot(x="height", y="weight", hue="age", size="income", data=df)
plt.show()

Vérification rapide : plage de corrélation

Vous exécutez df.corr() et obtenez une valeur de -0.85 entre deux caractéristiques.

Récapitulatif : analyses bivariée et multivariée

Vous pouvez maintenant explorer les relations entre les variables :

  • plt.scatter / sns.scatterplot pour deux variables numériques
  • df.corr() + sns.heatmap(annot=True) pour la matrice de corrélation
  • Les fortes corrélations signalent une multicolinéarité (supprimez les caractéristiques redondantes)
  • sns.pairplot pour une vue d'ensemble de toutes les paires
  • Les boîtes à moustaches groupées et groupby().agg() pour mettre en relation une variable numérique et une variable catégorielle

Nous allons ensuite relier directement les caractéristiques à la variable cible de prédiction.

Questions Fréquemment Posées

La leçon « Analyse bivariée et multivariée » est-elle gratuite ?

Oui — le texte complet de « Analyse bivariée et multivariée » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Learn AI with Python, passe à CoddyKit PRO. Le cours Learn AI with Python comprend 4 leçons au total.

Qu'est-ce que j'apprendrai dans « Analyse bivariée et multivariée » ?

Nuages de points, graphiques par paires, cartes thermiques de corrélation et statistiques groupées. Tu pratiques Learn AI with Python avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.

Dois-je avoir de l'expérience pour commencer Learn AI with Python ?

Aucune expérience préalable n'est requise. Learn AI with Python sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 3 sur 4.

Combien de temps prend la leçon « Analyse bivariée et multivariée » ?

La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.

Peux-tu écrire et exécuter du code dans cette leçon Learn AI with Python ?

Oui. Chaque leçon Learn AI with Python inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.

Toutes les leçons de ce cours

  1. Flux de travail EDA et profilage des données
  2. Analyse univariée
  3. Analyse bivariée et multivariée
  4. Distribution des caractéristiques et analyse de la cible
← Retour à Learn AI with Python