Comment calculer des quantiles par groupe dans Pandas

L’analyse exploratoire des données et la métrologie quantitative moderne reposent fondamentalement sur la capacité du chercheur ou du praticien à résumer, structurer et interpréter des distributions complexes sans dénaturer la richesse sous-jacente des observations. Face à l’hétérogénéité structurelle inhérente aux corpus empiriques contemporains — qu’il s’agisse d’enregistrements psychométriques, de biomarqueurs neurophysiologiques, de métriques transactionnelles ou de relevés industriels haute fréquence —, les estimateurs statistiques classiques fondés sur la théorie gaussienne révèlent des faiblesses conceptuelles et méthodologiques majeures. L’évaluation exclusive de la tendance centrale au moyen de la moyenne arithmétique et de l’écart-type postule une symétrie et une normalité distributionnelle qui se vérifient rarement dans les contextes réels, où prévalent l’asymétrie positive, la bimodalité et la contamination par des valeurs extrêmes.

Dans ce contexte épistémologique, l’estimation quantile conditionnelle s’impose comme un instrument analytique d’une puissance méthodologique singulière. En segmentant une population globale en strates analytiques homogènes pour y calculer les fractiles de distribution, l’analyste dépasse la simple caractérisation univariée pour cartographier l’intégralité du paysage probabiliste au sein de chaque sous-groupe. Cette démarche offre une résilience mathématique exceptionnelle face aux perturbations locales et préserve l’information contenue dans les queues de distribution, souvent révélatrices de phénomènes critiques tels que les états pathologiques en recherche biomédicale, les comportements de rupture ou les limites de performance cognitive.

Au sein de l’écosystème open-source dédié au calcul scientifique en langage Python, la bibliothèque Pandas constitue le socle opérationnel incontournable pour matérialiser ces opérations. En implémentant avec une efficacité computationnelle optimale le paradigme fondamental de partitionnement, d’application et de combinaison fonctionnelle, Pandas permet de déployer des calculs quantiles hautement sophistiqués sur des structures de données complexes. Ce guide académique et technique a pour vocation de décortiquer, avec une rigueur mathématique et informatique exhaustive, l’ensemble des mécanismes, algorithmes, optimisations et stratégies d’interprétation régissant le calcul des quantiles par groupe dans Pandas.

1. Introduction théorique aux quantiles et à l’agrégation conditionnelle dans Pandas

1.1 Définition et utilité épistémologique des quantiles en analyse exploratoire

D’un point de vue formel, pour une variable aléatoire réelle continue $X$ caractérisée par une fonction de répartition cumulative $F(x) = P(X le x)$, le quantile d’ordre $q$ (où $q in [0, 1]$) correspond à la valeur $x_q$ satisfaisant l’inversion théorique de ladite fonction, soit formellement $x_q = F^{-1}(q) = \inf { x in \mathbb{R} : F(x) ge q }$. Lorsque l’on bascule dans le champ de la statistique inférentielle et descriptive sur des échantillons finis, les quantiles empiriques agissent en tant qu’estimateurs de position relative non paramétriques. Contrairement aux moments arithmétiques d’ordre supérieur qui dépendent de la magnitude absolue de chaque observation et élèvent les écarts à des puissances entières, les estimateurs quantiles s’appuient exclusivement sur les statistiques d’ordre, c’est-à-dire le classement ordinal des observations après tri monotone.

Cette propriété structurelle confère aux quantiles une robustesse distributionnelle inégalée face aux distorsions induites par l’asymétrie (skewness) et l’aplatissement (kurtosis). Dans un cadre expérimental où les queues de distribution sont épaisses ou soumises à une contamination stochastique, les estimateurs gaussiens subissent une dérive systématique qui biaise les inférences. À l’inverse, l’analyse par fractiles permet une décomposition granulaire du spectre probabiliste : on distingue fonctionnellement les percentiles (cent divisions ordonnées), les déciles (dix segments équitables), les quartiles (quatre strates délimitant 25 %, 50 % et 75 % de la masse empirique) et les quantiles continus arbitraires. Cette polyvalence offre la possibilité de capturer non seulement le centre de gravité non paramétrique de la population (la médiane, ou cinquantième centile), mais également son étalement périphérique sans recourir à l’hypothèse restrictive d’homoscedasticité.

L’intégration de la stratification au sein de cette modélisation constitue une avancée méthodologique cruciale. Les populations étudiées dans les sciences quantitatives sont rarement homogènes ; elles se composent d’agrégats d’individus ou d’unités expérimentales présentant des réponses différentielles selon des covariables spécifiques. Évaluer les quantiles au niveau global occulte les variations inter-groupes et peut conduire à des paradoxes d’agrégation, tel que le paradoxe de Simpson. La stratification systématique par sous-populations permet de contextualiser la distribution d’une variable réponse en fonction d’un ou plusieurs facteurs déterminants, isolant la variance propre à chaque modalité et révélant des structures sous-jacentes inaccessibles par un calcul marginal indifférencié.

1.2 Le paradigme Split-Apply-Combine au sein de Pandas

Sur le plan algorithmique et conceptuel, la manipulation de structures tabulaires hétérogènes selon des facteurs de partitionnement s’articule autour du paradigme Split-Apply-Combine théorisé par Hadley Wickham. Cette abstraction analytique décompose toute opération conditionnelle complexe en un triptyque séquentiel d’une rigueur formelle absolue. La première étape, la division ou partitionnement (Split), segmente l’ensemble de données d’origine en sous-ensembles disjoints définis par les intersections des modalités des variables de groupement. La seconde phase, l’application (Apply), exécute de façon indépendante une opération mathématique, d’agrégation ou de transformation vectorielle sur chaque fragment isolé. Enfin, la recombinaison (Combine) synthétise les résultats partiels au sein d’une structure de données unifiée, réinjectant les étiquettes de groupes au niveau des axes d’indexation pour garantir la traçabilité sémantique de l’information.

Au sein de la bibliothèque Pandas, ce schéma computationnel est encapsulé au cœur de l’objet hautement spécialisé DataFrameGroupBy. Loin d’opérer une duplication physique des données en mémoire vive lors de l’appel initial, cet objet génère une cartographie d’indexation indirecte. Il s’appuie sur une table de hachage interne optimisée en C et Cython, qui associe à chaque clé de groupe unique un tableau d’entiers pointant vers les positions originelles des lignes correspondantes. Cette architecture d’évaluation paresseuse (lazy evaluation) préserve la mémoire cache du processeur et repousse la dépense computationnelle au moment strict où une fonction d’agrégation, telle que le calcul de quantile, est invoquée.

Lors de l’évaluation effective de fonctions scalaires ou vectorielles via ce moteur de partitionnement, Pandas optimise les routines de calcul en sollicitant les couches vectorisées sous-jacentes de NumPy. Pour les fonctions analytiques natives telles que le calcul quantile, le moteur contourne l’interpréteur standard Python afin d’éviter le surcoût temporel induit par le boxing et unboxing des types primitifs. Cette intégration permet d’assurer une transition fluide depuis des structures multidimensionnelles complexes vers des séries compressées ou des tables réorganisées, préservant l’intégrité référentielle des données tout en garantissant un débit computationnel adapté aux volumétries contemporaines.

1.3 Présentation du jeu de données expérimental de référence

Afin d’ancrer les démonstrations théoriques, syntaxiques et statistiques dans un cadre empirique pragmatique et rigoureusement contrôlé, nous définissons une cohorte expérimentale de référence représentative des protocoles observés en sciences cognitives, en métrologie comportementale et en neuro-ergonomie. L’architecture de cette cohorte synthétique repose sur un schéma factoriel combinant des covariables discrètes, structurelles et démographiques, avec des variables dépendantes continues sujettes à de fortes variations distributionnelles. Le facteur de partitionnement primaire est défini par l’appartenance à des cohortes expérimentales différenciées, intégrant des modalités telles qu’un groupe témoin sain, un groupe soumis à une privation de sommeil contrôlée et un groupe bénéficiant d’un protocole d’entraînement cognitif intensif.

Chaque unité observationnelle est associée à un identifiant unique de participant, un facteur de stratification secondaire croisé matérialisant des tranches d’âge normalisées (par exemple, jeunes adultes versus cohortes vieillissantes), ainsi qu’une batterie d’évaluations psychométriques continues. Ces variables métriques incluent des temps de latence motrice exprimés en millisecondes (caractérisés par une asymétrie positive prononcée et une distribution log-normale), des scores de discrimination perceptive (bornés sur une échelle continue mais présentant des phénomènes de saturation aux limites) et des indices d’effort attentionnel mesurés par suivi oculaire ou variabilité du rythme cardiaque.

Dans une optique d’intégrité scientifique et de reproductibilité computationnelle stricte, l’ensemble des protocoles de simulation générant ces observations doit reposer sur l’instanciation déterministe de générateurs de nombres pseudo-aléatoires via la fixation explicite de graines (seeds). Cette précaution méthodologique garantit que chaque distribution empirique, chaque valeur aberrante structurelle introduite à des fins pédagogiques et chaque calcul d’interpolation fractile décrit ultérieurement pourront être répliqués à l’identique, assurant la transparence méthodologique indispensable aux standards de la science ouverte.

2. Fondements statistiques du calcul quantile en psychométrie et métrologie comportementale

2.1 Résistance aux valeurs aberrantes par rapport aux métriques paramétriques

L’estimation des paramètres de tendance centrale et de variabilité dans les sciences du comportement est confrontée en permanence au problème des valeurs aberrantes ou extrêmes. Une valeur aberrante peut résulter d’une erreur d’enregistrement instrumentale, d’un artefact expérimental (tel qu’un clignement oculaire lors d’une tâche de temps de réaction visuel) ou d’une hétérogénéité biologique réelle et inhérente au sujet étudié. L’utilisation classique de la moyenne arithmétique souffre d’un défaut structurel majeur formalisé en statistique robuste par le concept de point de rupture (breakdown point). Le point de rupture quantifie la proportion minimale d’observations contaminées ou infiniment aberrantes qu’un échantillon peut contenir avant que l’estimateur ne produise une valeur arbitrairement fausse ou aberrante.

Pour la moyenne arithmétique et l’écart-type non corrigé, ce point de rupture asymptotique est mathématiquement égal à $1/N$, ce qui signifie qu’une unique valeur arbitrairement déviante au sein d’un échantillon de taille arbitrairement grande suffit à faire diverger l’estimation vers l’infini. En revanche, les estimateurs basés sur les statistiques d’ordre possèdent une résilience intrinsèque exceptionnelle. La médiane échantillonnale bénéficie du point de rupture le plus élevé concevable pour un estimateur de position, atteignant 0,50 (soit 50 % de contamination admissible avant dérive complète). Pour un quantile générique d’ordre $q$, le point de rupture théorique est équivalent à $min(q, 1-q)$. Un premier quartile ($q=0,25$) ou un troisième quartile ($q=0,75$) peut tolérer jusqu’à 25 % d’observations corrompues dans les directions respectives de la distribution sans que la valeur estimée ne soit corrompue de manière incontrôlée.

Cette distinction s’avère particulièrement discriminante lors de l’inférence statistique sur des sous-échantillons expérimentaux de taille modeste et fortement hétérogènes. Si un groupe expérimental présente une contamination unilatérale — par exemple, un participant manifestant une absence transitoire d’attention provoquant une latence de réponse démesurée —, la moyenne arithmétique conditionnelle de ce groupe est instantanément déplacée vers le haut. Ce déplacement artefactuel induit une augmentation factice de la variance intra-groupe et réduit drastiquement la puissance statistique des tests de comparaison ultérieurs (tels que le test $t$ de Student ou l’analyse de variance paramétrique). Le recours aux fractiles conditionnels immunise l’analyste contre cette perte de puissance et fournit une base descriptive fidèle à la réalité comportementale sous-jacente.

2.2 Utilisation des quantiles dans la normalisation d’échelles psychologiques

Dans le domaine de la psychométrie et de la mesure diagnostique, l’interprétation d’un score brut issu d’un questionnaire ou d’un test neuropsychologique est dépourvue de sens intrinsèque sans étalonnage préalable. L’étalonnage consiste à situer la performance relative d’un individu par rapport à une population de référence caractérisée par des critères d’inclusion et d’exclusion rigoureux. La standardisation classique, reposant sur le calcul de scores $Z$ au moyen de la moyenne et de l’écart-type, implique formellement que le trait latent mesuré suive une distribution de Gauss. Or, dans la quasi-totalité des échelles cliniques — qu’elles évaluent la dépression, l’anxiété, l’intensité de la douleur ou les troubles d’apprentissage —, les distributions observées présentent des effets de plancher ou de plafond majeurs.

Dans ces conditions, la transformation non paramétrique par rangs centiles calculés par sous-groupes démographiques et cliniques constitue la norme métrologique internationale. Pour un sujet appartenant à une strate déterminée (définie, par exemple, par le croisement de sa tranche d’âge et de son niveau d’éducation formelle), le calcul du quantile conditionnel permet de faire correspondre un score brut à son rang centile précis dans ladite sous-population. Si un individu obtient un score brut de 42 à une échelle d’évaluation de la mémoire de travail, savoir que la moyenne du groupe est de 38 ne renseigne en rien sur la distribution asymétrique des performances. En revanche, déterminer que ce score correspond au 75e centile du groupe de référence atteste immédiatement et sans ambiguïté que 75 % des pairs obtiennent un score inférieur ou égal, permettant une prise de décision clinique ou diagnostique standardisée.

Cette approche par fractiles conditionnels neutralise également les biais d’échantillonnage inhérents aux cohortes cliniques. En évaluant les quantiles de façon segmentée, l’analyste peut procéder à une péréquation des scores bruts qui préserve l’ordonnancement interne des données tout en éliminant les variations parasites attribuables à des facteurs confondants sociodémographiques. La conversion des métriques psychométriques en échelles ordinales d’intervalles basées sur les quantiles constitue ainsi un prérequis fondamental à toute modélisation psychométrique rigoureuse.

2.3 Analyse comparée des distributions bimodales et asymétriques

L’un des défis empiriques majeurs rencontrés en psychologie expérimentale et en neurophysiologie réside dans la modélisation des temps de réaction et des dynamiques temporelles motrices. De par leur nature physique, ces mesures ne peuvent être inférieures à une valeur plancher physiologique (déterminée par la vitesse de conduction axonale et le temps de transmission synaptique, généralement situé autour de 100 à 150 millisecondes pour des stimuli sensoriels simples), tandis que la latence supérieure est virtuellement non bornée en raison des fluctuations attentionnelles. La distribution de telles grandeurs est donc intrinsèquement asymétrique positive, modélisable préférentiellement par des lois d’ex-Gaussienne, de Weibull ou de Wald.

Dans de tels régimes distributionnels, le moment centré d’ordre deux (la variance) et l’écart-type perdent leur lisibilité descriptive immédiate. Un écart-type calculé sur une distribution fortement asymétrique conduit à des aberrations inférentielles, telles que des intervalles de confiance dits de Wald (moyenne $\pm$ deux écarts-types) dont la borne inférieure plonge dans des zones physiquement impossibles (temps de réaction négatifs). L’analyse comparée des sous-groupes expérimentaux au travers d’écarts interquantiles conditionnels permet d’isoler avec précision l’hétérogénéité latente. En analysant la distance séparant le 10e percentile du 50e percentile comparativement à celle séparant le 50e du 90e percentile au sein de chaque condition, le chercheur met en évidence l’asymétrie structurelle et identifie les processus cognitifs distincts gouvernant respectivement la vitesse de base de traitement de l’information et la fréquence des défaillances attentionnelles transitoires.

De surcroît, les phénomènes de bimodalité conditionnelle — fréquemment induits par l’émergence de stratégies cognitives divergentes chez des sous-groupes de participants au sein d’une même tâche — demeurent entièrement invisibles lorsque l’on s’en remet à des synthèses paramétriques univariées. Deux sous-groupes peuvent présenter exactement la même moyenne et le même écart-type tout en recouvrant des distributions radicalement différentes : l’un peut adopter une loi unimodale étalée, tandis que l’autre se scinde en deux modes distincts traduisant un compromis entre rapidité motrice et précision cognitive. Seule une estimation systématique et stratifiée de multiples quantiles conditionnels permet de révéler la morphologie exacte de ces paysages empiriques.

3. Syntaxe fondamentale : mise en œuvre de groupby() et quantile()

3.1 Formulation algorithmique élémentaire

L’implémentation du calcul quantile conditionnel dans Pandas s’articule autour d’une syntaxe déclarative fluide, conçue pour unifier les pipelines de transformation et de synthèse analytique. L’expression algorithmique fondamentale se déploie à travers l’appel consécutif des méthodes de groupement et d’agrégation, matérialisée canoniquement sous la forme suivante : DataFrame.groupby(by=...).quantile(q=..., interpolation=...). Au sein de cette formulation, le paramètre by désigne la clé de partitionnement, pouvant accepter une chaîne de caractères unique correspondant au libellé d’une colonne, une séquence de libellés pour des groupements multidimensionnels, ou même une fonction de hachage appliquée dynamiquement aux valeurs de l’index du tableau.

Le paramètre d’ordre quantile, désigné par la variable q, accepte des valeurs numériques continues strictement comprises au sein de l’intervalle fermé $[0.0, 1.0]$. Lorsque ce paramètre est omis, la méthode applique par convention une valeur par défaut de 0.5, restituant immédiatement la médiane conditionnelle de l’échantillon. Il est fondamental de souligner la souplesse typologique de ce paramètre : q peut être instancié sous forme d’un scalaire de type float pour une estimation unique, ou sous forme d’une collection itérable (telle qu’une liste native de Python, un tableau NumPy unidimensionnel ou une série) pour le calcul simultané d’une grille de fractiles.

Dans un contexte d’ingénierie des données et d’analyse rigoureuse, il est impératif de contrôler explicitement la sélection des colonnes soumises au calcul. Par défaut, lorsqu’elle est invoquée directement sur l’objet DataFrameGroupBy, la méthode quantile() tente d’opérer sur l’intégralité des colonnes quantitatives continues éligibles, en omettant silencieusement les covariables catégorielles non numériques. Cependant, pour prémunir les pipelines computationnels contre les dérives de typage et optimiser la consommation de mémoire, la sélection explicite de la variable cible continue doit impérativement précéder l’application de la méthode quantile, formalisant une requête ciblée de type DataFrame.groupby(by)['colonne_cible'].quantile(q).

3.2 Évaluation pas à pas d’un quantile unique par groupe

Pour appréhender la mécanique computationnelle interne de cette syntaxe, décomposons l’exécution séquentielle du calcul d’un quantile unique au sein d’une cohorte expérimentale. Considérons une expérience cognitive où la variable réponse modélise la latence motrice, segmentée par la condition expérimentale. L’instruction calculant la médiane conditionnelle procède comme suit : le moteur de Pandas commence par partitionner les identifiants de lignes en fonction des valeurs distinctes de la condition. Pour chaque sous-ensemble ainsi généré, le vecteur unidimensionnel de latences est extrait, puis soumis à un algorithme de sélection ordonnée afin d’extraire la valeur médiane empirique.

Si la démarche analytique requiert d’isoler les temps de réponse inhabituellement lents sans subir la distorsion de valeurs erronées, l’analyste fixera le paramètre à q=0.90 afin d’évaluer le 90e percentile par groupe expérimental. Dans ce cas de figure, l’algorithme positionne l’estimation à un rang correspondant à 90 % de l’effectif ordonné de chaque sous-groupe. L’exécution de cette opération conditionnelle ne renvoie pas un simple scalaire flottant, mais une structure de données indexée hautement hiérarchisée reflétant l’architecture de la segmentation initiale.

L’objet restitué par le moteur de calcul lors de l’application d’un quantile scalaire sur une variable cible unique est une instance de pandas.Series. L’index de cette série est intégralement constitué des modalités distinctes de la variable de groupement, tandis que les valeurs vectorielles correspondent aux fractiles estimés pour chaque classe. Cette conservation systématique des métadonnées d’appartenance de groupe au niveau de l’index permet un raccordement relationnel immédiat avec d’autres structures tabulaires, garantissant la traçabilité des transformations au sein des chaînes de traitement automatisées.

3.3 Gestion des types de retours : SeriesGroupBy versus DataFrameGroupBy

L’une des sources fréquentes d’incompréhension et d’erreurs d’alignement dimensionnel dans les chaînes de traitement analytiques complexes réside dans la distinction structurelle entre les types de retours issus d’un objet SeriesGroupBy et ceux issus d’un objet DataFrameGroupBy. Lorsque l’analyste restreint l’opération à une colonne cible au moyen d’un indexage simple par crochet, tel que df.groupby('Condition')['Latence'], l’objet intermédiaire instancié est de type SeriesGroupBy. L’application de .quantile(0.75) sur cette entité unidimensionnelle produit inéluctablement une pandas.Series dont l’axe d’indexation unique correspond aux catégories de groupement.

À l’opposé, si l’indexation de la variable cible utilise une syntaxe de liste à double crochet, soit df.groupby('Condition')[['Latence']], ou si l’on applique l’opération à l’ensemble du jeu de données sans restriction univariée préalable, l’entité sous-jacente relève de la classe DataFrameGroupBy. Dans ce scénario, même si le calcul ne porte formellement que sur une seule variable numérique, le résultat restitué par Pandas est un pandas.DataFrame complet, doté d’un index de lignes catégoriel et d’un index de colonnes standard. Cette divergence structurelle, bien qu’apparemment mineure, entraîne des conséquences majeures lors des étapes avales d’assemblage ou d’assignation vectorielle.

L’assignation directe d’un résultat d’agrégation au sein d’un DataFrame récepteur requiert une compatibilité dimensionnelle stricte. Tenter d’aligner ou de concaténer une Series issue d’un SeriesGroupBy avec une structure attendant une matrice bidimensionnelle déclenche des opérations d’ajustement implicites qui peuvent engendrer des valeurs nulles indésirables ou modifier la granularité des observations. Une maîtrise rigoureuse de ces flux typologiques impose de décider explicitement en amont si l’opération a pour vocation d’extraire un vecteur de travail synthétique ou d’alimenter une matrice analytique consolidée.

4. Algorithmes d’interpolation mathématique du paramètre quantile

4.1 Étude comparative des cinq méthodes d’interpolation de Pandas

Sur un échantillon continu de taille infinie, la définition formelle du quantile ne soulève aucune ambiguïté mathématique. Toutefois, dans le cadre de données empiriques discrètes de taille finie $N$, le rang théorique associé à un ordre de quantile $q$, calculé sous la forme indexée $i = q \times (N – 1)$, aboutit dans la grande majorité des configurations à une valeur fractionnaire non entière. Pour convertir cet indice théorique en une estimation numérique unique à partir des valeurs ordonnées adjacentes de l’échantillon $x_{(j)}$ et $x_{(j+1)}$ (où $j = lfloor i rfloor$ est la partie entière de l’indice et $g = i – j$ sa composante fractionnaire), un algorithme d’interpolation mathématique doit être formellement spécifié. Pandas intègre à cet effet cinq méthodes d’interpolation distinctes via le paramètre interpolation.

La méthode appliquée par défaut par Pandas est l’interpolation linéaire (interpolation='linear'). Elle postule une progression continue proportionnelle entre les points d’observation et calcule l’estimation par la formule pondérée classique :
$$\hat{x}_q = x_{(j)} + (x_{(j+1)} – x_{(j)}) \times g$$
Cette approche présente l’avantage d’une continuité mathématique parfaite par rapport aux variations de $q$, fournissant une transition graduelle le long du support empirique.

Les deux options suivantes, qualifiées de sélections discrètes conservatrices, sont les modes inférieur (interpolation='lower') et supérieur (interpolation='higher'). Le mode lower ignore systématiquement la composante fractionnaire $g$ pour assigner strictement la valeur de l’observation au rang inférieur le plus proche, soit $\hat{x}_q = x_{(j)}$. Réciproquement, le mode higher arrondit systématiquement vers le rang supérieur, fixant $\hat{x}_q = x_{(j+1)}$ dès lors que $g > 0$. Ces approches sont couramment privilégiées lorsque les variables analysées sont discrètes par nature (par exemple des décomptes d’erreurs ou des échelles ordinales d’attitudes) et que l’introduction de valeurs décimales intermédiaires artificielles est méthodologiquement proscrite.

La méthode du point médian (interpolation='midpoint') effectue une moyenne arithmétique simple et non pondérée des deux bornes entourant l’indice fractionnaire, définissant formellement l’estimateur par :
$$\hat{x}_q = \frac{x_{(j)} + x_{(j+1)}}{2}$$
Enfin, la méthode du plus proche voisin (interpolation='nearest') arrondit l’indice $i$ à l’entier le plus proche selon les règles d’arrondi standard : elle sélectionne $x_{(j)}$ si $g < 0.5$,$x_{(j+1)}$ si $g > 0.5$, et applique un critère d’arrondi arithmétique pair ou supérieur en cas d’équidistance parfaite ($g = 0.5$), préservant ainsi l’ancrage exclusif sur des valeurs effectivement enregistrées.

4.2 Impact de l’échantillonnage de petite taille sur la variance de l’estimateur

Le choix entre ces cinq algorithmes d’interpolation n’est nullement trivial sur le plan statistique ; ses conséquences opérationnelles sont particulièrement marquées lorsque l’on procède à des analyses de quantiles par groupe sur des micro-cohortes. Lorsque la taille $N$ d’un sous-groupe expérimental est restreinte (par exemple $N < 15$, une configuration fréquente dans les protocoles d’imagerie fonctionnelle ou les études cliniques sur des pathologies rares), la distance relative entre deux statistiques d’ordre consécutives$x_{(j+1)} – x_{(j)}$ est mécaniquement large.

Dans ces conditions d’échantillonnage ténu, l’estimateur du quantile devient extrêmement sensible à la méthode d’interpolation sélectionnée. La divergence numérique entre l’approche continue (linear) et les approches conservatrices (lower, higher) peut atteindre des amplitudes considérables, altérant radicalement l’évaluation de la dispersion et de la position relative du groupe. Pour les quantiles périphériques ou extrêmes (tels que le 5e ou le 95e percentile), la sensibilité aux discontinuités discrètes est encore décuplée : l’indice théorique se trouvant au voisinage immédiat des bornes extrêmes de l’échantillon, le calcul peut s’effondrer sur une observation singulière fortement influencée par le bruit stochastique.

Pour les panels comportementaux réduits, il est scientifiquement recommandé de privilégier l’interpolation linéaire ou le calcul du point médian afin d’atténuer la variance intrinsèque d’échantillonnage. À l’inverse, l’usage des options lower ou higher dans des micro-échantillons introduit un biais directionnel systématique : une sous-estimation systématique dans le premier cas, ou une surestimation artificielle dans le second. L’analyste doit donc faire preuve d’une lucidité méthodologique sans faille lors du paramétrage de cet algorithme, en adaptant explicitement le mode de calcul au volume effectif de chaque groupe.

4.3 Alignement avec les définitions standardisées de la littérature statistique

L’hétérogénéité des formules employées à travers les progiciels et langages scientifiques d’analyse numérique a longtemps constitué un obstacle à la réplication computationnelle exacte. Dans un article séminal devenu la référence internationale en la matière, Hyndman et Fan (1996) ont catalogué, unifié et formalisé les neuf algorithmes distincts utilisés dans la littérature statistique pour l’estimation des quantiles d’échantillons continus et discrets.

Au regard de cette typologie matricielle, le comportement par défaut de Pandas (implémentant l’interpolation linéaire avec $i = q \times (N – 1)$) s’aligne formellement sur la définition cataloguée sous le vocable d’Algorithme Type 7. Cette formule est également celle qui prévaut par défaut dans l’environnement R (fonction quantile() standard) et dans la fonction numpy.percentile() de base. L’alignement structurel de ces fondations algorithmiques garantit une interopérabilité rigoureuse : un quantile évalué au moyen de Pandas sous ce mode par défaut reproduit au bit près les résultats générés par un script R homologue.

Toutefois, d’autres disciplines et progiciels majeurs s’appuient sur des variantes distinctes. Par exemple, l’environnement SAS ou le tableur Microsoft Excel privilégient historiquement des formulations équivalentes au Type 6 ou au Type 8 de Hyndman et Fan, qui ajustent l’indice théorique via des termes de pondération tels que $i = q \times (N + 1)$ ou $i = q \times (N + 1/3) + 1/3$. Lorsque l’on prépare la publication d’un article au sein d’une revue académique exigeant des standards élevés de reproductibilité, il est impératif de documenter formellement non seulement le logiciel et sa version, mais également l’algorithme d’interpolation exact retenu au sein des sections consacrées au protocole méthodologique.

5. Calcul simultané de quantiles multiples conditionnels

5.1 Passage de vecteurs de probabilités à la méthode quantile()

Dans la pratique de l’analyse exploratoire et confirmatoire, l’évaluation d’un quantile isolé est rarement suffisante pour caractériser la structure globale d’une distribution. Il est presque systématiquement indispensable de dériver simultanément une suite de fractiles représentatifs — notamment pour construire des diagrammes en boîte, quantifier la dispersion interquartile ou scruter les comportements asymétriques aux bornes extrêmes. L’architecture de la méthode quantile() de Pandas a été spécifiquement conçue pour absorber cette charge de calcul de façon unifiée et vectorisée via la transmission d’une collection itérable d’ordres de fractiles au paramètre q.

En assignant une liste de réels au paramètre, typiquement q=[0.25, 0.50, 0.75], l’analyste déclenche une évaluation simultanée des trois quartiles cardinaux pour chaque partition de l’échantillon. Cette approche vectorisée est incomparablement plus efficiente sur le plan computationnel qu’une succession d’appels scalaires répétés au sein d’une boucle impérative. Le moteur sous-jacent de Pandas n’effectue la segmentation en groupes et les tris ordonnés partiels qu’une seule fois par partition, réduisant massivement les surcoûts d’accès mémoire et de calcul.

Cette méthodologie d’évaluation vectorielle s’étend avec la même élégance conceptuelle aux quantiles extrêmes, par exemple en formulant une requête intégrant q=[0.01, 0.05, 0.10, 0.50, 0.90, 0.95, 0.99]. Une telle décomposition s’avère particulièrement pertinente lors de l’analyse des risques de queues de distribution ou des études chronométriques de vigilance cognitive, où les 1er et 99e percentiles reflètent respectivement les temps moteurs physiologiques optimaux absolus et la magnitude des effondrements temporaires d’attention soutenue.

5.2 Analyse structurelle du MultiIndex résultant

L’introduction d’un vecteur de probabilités multiples au sein de la méthode quantile() induit une mutation morphologique fondamentale dans la structure de sortie renvoyée par Pandas. Étant donné que pour chaque clé de partitionnement unique (groupe expérimental), le moteur d’agrégation doit désormais restituer non plus une valeur scalaire unique, mais un vecteur de résultats ordonnés correspondant aux différents ordres $q$, une indexation unidimensionnelle classique s’avère géométriquement et sémantiquement incapable d’héberger l’information sans ambiguïté.

Pour résoudre cette contrainte dimensionnelle, Pandas génère une structure régie par un index hiérarchique composite, désigné dans la terminologie interne sous le nom de MultiIndex. Cet index à plusieurs niveaux structure les axes selon une relation d’imbrication stricte :

• Niveau primaire (niveau 0) : Il correspond aux identifiants ou étiquettes des groupes expérimentaux issus du partitionnement initial opéré par groupby().
• Niveau secondaire (niveau 1) : Il matérialise les différents ordres de quantiles évalués, représentés par les valeurs flottantes passées dans le vecteur q (par exemple, 0.25, 0.50, 0.75).

Cette organisation en arbre décisionnel préserve la hiérarchie relationnelle des données au sein de la mémoire vive sans recourir à une dénormalisation prématurée.

L’interrogation et la manipulation de ces objets multi-indexés exigent toutefois une rigueur syntaxique accrue. L’extraction de sous-matrices ou de tranches spécifiques requiert l’usage d’opérateurs d’indexation explicites tels que .loc[] ou de l’utilitaire d’indexation transversale pandas.IndexSlice. Par exemple, si l’on désire isoler l’ensemble des médianes ($q=0.50$) à travers toutes les cohortes expérimentales sans altérer la dimension du tableau, la syntaxe transversale s’écrit formellement sous la configuration resultat.loc[pandas.IndexSlice[:, 0.50], :]. Cette maîtrise de l’adressage par tranche constitue le fondement d’une manipulation avancée des sorties complexes de Pandas.

5.3 Aplatissement et réorganisation dimensionnelle de la table finale

Bien que la représentation hiérarchique offerte par le MultiIndex soit particulièrement élégante d’un point de vue structural, elle se révèle fréquemment incommode lors des phases ultérieures d’un pipeline d’ingénierie des données. La majorité des bibliothèques d’apprentissage automatique (telles que Scikit-Learn) ou de rendu graphique (à l’instar de Seaborn et Matplotlib) exigent des schémas tabulaires plats conventionnels (le format dit tidy data, où chaque ligne correspond rigoureusement à une unité d’observation unique et chaque colonne à une variable descriptive univoque).

Pour convertir la sortie multi-indexée issue du calcul quantile conditionnel en une structure plane optimisée, la combinaison des méthodes unstack() et reset_index() représente la séquence programmatique reine. L’invocation de la méthode unstack(level=-1) provoque une rotation orthogonale du niveau d’indexation secondaire : les ordres de quantiles ($q$) sont instantanément transposés de l’axe des lignes vers l’axe des colonnes. Chaque fractile devient ainsi une variable descriptive autonome à part entière pour chaque groupe expérimental représenté sur les lignes.

Une fois cette projection orthogonale exécutée, l’appel subséquent à la méthode reset_index() réintègre les identifiants de groupes — jusqu’alors logés dans l’index des lignes — directement au sein du corps du DataFrame en tant que colonnes conventionnelles. Pour parachever la normalisation et fluidifier l’interopérabilité des scripts, il est alors conseillé de procéder à un renommage programmatique des en-têtes de colonnes dérivées. La substitution des valeurs décimales brutes (comme 0.25, 0.5, 0.75) par des libellés sémantiquement transparents (tels que q25, mediane, q75 ou iqr) élimine toute ambiguïté syntaxique et garantit une compatibilité parfaite avec les requêtes basées sur des expressions de chaînes de caractères.

6. Intégration avancée au sein de la méthode agg() et calculs d’indicateurs composites

6.1 Combinaison des quantiles avec les moments statistiques d’ordre supérieur

L’exploration globale d’une cohorte expérimentale gagne en profondeur lorsqu’elle ne se cantonne pas exclusivement à une perspective purement paramétrique ou purement non paramétrique, mais qu’elle les associe afin de diagnostiquer les écarts à la normalité. La méthode agg() (ou aggregate()) de Pandas offre la flexibilité nécessaire pour orchestrer cette synthèse multidimensionnelle au sein d’une requête unifiée. En transmettant un dictionnaire de configuration à l’objet groupé, l’analyste spécifie l’éventail complet des métriques à dériver simultanément.

Il devient ainsi possible d’agréger, en une unique opération vectorisée, des estimateurs classiques de premier et second ordre — tels que la moyenne arithmétique (mean) et l’écart-type d’échantillon (std) — avec des mesures de statistiques d’ordre non paramétriques. Pour intégrer des quantiles spécifiques au sein de cette syntaxe d’agrégation dictionnaire, le recours à des fonctions anonymes lambda ou à des fonctions nommées pré-paramétrées constitue la voie canonique. Une fonction déclarée sous la forme lambda x: x.quantile(0.75) s’exécute harmonieusement aux côtés des identifiants d’agrégation standards natifs de Pandas.

Cette approche d’agrégation conjointe garantit une intégrité numérique sans faille en évitant les alignements manuels post-hoc de séries disparates. La structure tabulaire résultante regroupe l’ensemble des indicateurs calculés sur le même référentiel de partitions, permettant une inspection immédiate des distorsions distributionnelles : un écart marqué entre la moyenne et la médiane conditionnelle signale instantanément la présence d’une asymétrie unilatérale, tandis qu’un ratio anormalement élevé entre l’écart-type et l’intervalle interquartile met en lumière la présence potentielle d’observations extrêmes influençant excessivement les moments d’ordre supérieur.

6.2 Définition de fonctions d’écart interquartile (IQR) personnalisées

L’écart interquartile (IQR pour Interquartile Range), défini mathématiquement comme la différence absolue séparant le troisième quartile du premier quartile ($IQR = Q_3 – Q_1 = x_{0.75} – x_{0.25}$), représente l’indicateur de dispersion non paramétrique par excellence. Possédant un point de rupture asymptotique de 25 %, l’IQR quantifie l’étalement central de 50 % de la masse de probabilité empirique sans être perturbé par les instabilités d’échantillonnage logées aux queues de distribution. Bien que particulièrement fondamental, l’IQR ne dispose pas d’un alias d’agrégation textuel interne direct au sein de l’objet GroupBy natif de Pandas, imposant à l’analyste de le formuler de manière algorithmique.

L’implémentation la plus élégante consiste à concevoir une fonction Python explicite ou une fonction lambda dédiée, encapsulant l’évaluation des bornes quartiles et leur soustraction vectorisée, formalisée par lambda x: x.quantile(0.75) - x.quantile(0.25). L’intégration de cet opérateur au sein de la chaîne d’agrégation groupby().agg() permet de générer instantanément l’IQR propre à chaque condition expérimentale. Au-delà de l’IQR, une métrique robuste encore plus résiliente peut être implémentée selon les mêmes mécanismes : la déviation absolue médiane (MAD conditionnelle), calculée sous la formulation :
$$MAD = \text{médiane}(|X – \text{médiane}(X)|)$$
Cette grandeur offre un point de rupture optimal atteignant 50 %, constituant l’étalon de comparaison idéal pour les distributions hautement contaminées.

Le tableau analytique ci-dessous synthétise et met en contraste les propriétés mathématiques et comportementales fondamentales des principaux indicateurs de dispersion conditionnelle utilisables au sein d’un pipeline d’agrégation Pandas :

• Écart-type ($S$) : Estimateur paramétrique fondé sur le second moment centré. Point de rupture : $0$ ($1/N$). Sensibilité critique aux valeurs aberrantes ; postule formellement la normalité distributionnelle.
• Écart Interquartile ($IQR$) : Estimateur non paramétrique basé sur les rangs d’ordre ($Q_3 – Q_1$). Point de rupture : $0,25$ (25 %). Résistance robuste à l’asymétrie modérée et aux valeurs périphériques ; mesure l’étalement du cœur de distribution.
• Déviation Absolue Médiane ($MAD$) : Estimateur non paramétrique fondé sur les écarts médians absolus. Point de rupture : $0,50$ (50 %). Robustesse distributionnelle maximale théoriquement atteignable ; immunité totale face à une contamination unilatérale massive.

6.3 Agrégations différenciées sur plusieurs variables métriques

Les protocoles de recherche contemporains collectent rarement une seule dimension continue isolée. Dans un paradigme d’évaluation psychométrique ou comportementale, les sujets sont généralement documentés à travers une multiplicité de variables dépendantes hétérogènes : des temps d’accès lexical, des pourcentages d’exactitude motrice, des scores standardisés à des échelles de fatigue cognitive ou des constantes physiologiques. Dans ce contexte multivarié, imposer un profil d’agrégation monotone et uniforme sur l’ensemble des colonnes métriques constitue une erreur d’architecture analytique.

La puissance du moteur d’agrégation de Pandas se déploie pleinement au travers de la syntaxe de mapping différentié par dictionnaire complexe. Cette approche permet d’assigner à chaque variable dépendante un schéma de décomposition statistique sur mesure, adapté à sa nature métrologique spécifique. Considérons un protocole évaluant à la fois le temps de réaction (variable asymétrique continue) et le taux de succès (variable binaire ou pseudo-continue bornée) par condition expérimentale :

• Pour la variable de latence, particulièrement sujette à l’asymétrie, l’analyste configure une batterie non paramétrique exhaustive : médiane ($q=0.50$), 90e percentile et écart interquartile robuste.
• Simultanément, pour le taux de succès, caractérisé par une dispersion plus conventionnelle, le dictionnaire d’agrégation associera la moyenne arithmétique et l’écart-type classique.

L’exécution de cette requête vectorisée génère un tableau synthétique pourvu d’un index de colonnes hiérarchique à deux niveaux. Le niveau primaire identifie la variable dépendante d’origine (par exemple, Temps_Reaction versus Exactitude), tandis que le niveau secondaire matérialise l’estimateur spécifique appliqué. Cette dissociation granulaire assure une flexibilité totale dans l’exploration de cohortes expérimentales complexes sans nécessiter la fragmentation préalable du jeu de données en multiples sous-matrices isolées.

7. Étude de cas empirique : Analyse de temps de réponse et scores psychométriques

7.1 Modélisation d’une cohorte expérimentale de psychologie cognitive

Pour illustrer de manière concrète l’ensemble des préceptes théoriques et syntaxiques énoncés, concevons une étude empirique complète consacrée à l’évaluation de la performance attentionnelle soutenue sous contrainte temporelle. Soit un échantillon représentatif comprenant $N = 1,500$ unités d’enregistrement, réparties au sein d’un plan factoriel croisé à deux facteurs inter-sujets : la Condition_Clinique (trois modalités : Témoin, Privation de Sommeil, Entraînement Cognitif) et la Tranche_Age (deux modalités : Jeunes Adultes [18-30 ans], Adultes Âgés [65-80 ans]). Le protocole expérimental mesure la latence motrice face à une stimulation stochastique inattendue (mesurée en millisecondes).

Afin de reproduire avec une fidélité clinique rigoureuse la morphologie d’une cohorte comportementale réelle, les latences synthétiques ne sont pas issues d’une distribution normale théorique, mais d’une combinaison de lois log-normales asymétriques incorporant un plancher physiologique incompressible fixé à 150 ms. De plus, afin d’émuler les décrochages attentionnels sporadiques inhérents aux sujets soumis à la privation de sommeil, nous injectons de manière contrôlée une contamination de 5 % de valeurs extrêmes lourdes (latences supérieures à 1 500 ms, s’étirant jusqu’à 4 000 ms). Ce dispositif empirique constitue le banc d’essai idéal pour révéler la dérive des indicateurs gaussiens et démontrer la suprématie opérationnelle des quantiles conditionnels.

Le jeu de données intègre parallèlement une métrique psychométrique continue bornée, le Score_Vigilance, évoluant de 0 à 100 et modélisant l’évaluation subjective de l’éveil transmise par chaque participant au terme de chaque bloc expérimental. Les métadonnées d’identification individuelle garantissent la traçabilité des observations, permettant d’exécuter des analyses de quantiles conditionnels tant au niveau macroscopique (strates expérimentales) qu’au niveau intermédiaire de sous-groupes démographiques croisés.

7.2 Estimation des seuils de performance cognitive par condition

L’évaluation des seuils de réactivité motrice au sein de ce protocole débute par l’extraction des percentiles stratégiques par condition expérimentale. L’interrogation vectorisée conjointe des 10e, 25e, 50e, 75e et 90e percentiles révèle immédiatement la structure interne des distributions cognitives au sein de chaque groupe. Pour la condition témoin saine, l’écart séparant le 10e percentile (vitesse motrice pure minimale) de la médiane est relativement équivalent à celui séparant la médiane du 90e percentile, témoignant d’une distribution modérément asymétrique conforme aux attentes chez des sujets reposés.

En revanche, l’analyse du groupe sous privation de sommeil met en lumière une distorsion distributionnelle majeure. Alors que le 10e percentile de ce groupe clinique ne subit qu’un ralentissement marginal par rapport au groupe témoin (attestant que les réflexes moteurs élémentaires demeurent fonctionnels chez le sujet privé de sommeil lorsque l’attention est brièvement captée), la médiane s’élève nettement et le 90e percentile subit une explosion quantitative exponentielle. Cette divergence béante entre les fractiles inférieurs et supérieurs matérialise avec une clarté analytique absolue le compromis vitesse-précision et l’instabilité cognitive induite par la fatigue.

Une analyse exclusive fondée sur la moyenne arithmétique globale aurait conclu à un ralentissement général et indifférencié de la vitesse de traitement chez les sujets privés de sommeil. L’estimation des quantiles conditionnels démontre au contraire que le phénomène sous-jacent n’est pas un ralentissement uniforme de l’ensemble des réponses motrices, mais une augmentation spectaculaire de la variance asymétrique provoquée par des épisodes discontinus de microsommeil. Cette dissociation conceptuelle fondamentale entre variabilité basale et instabilité périphérique n’est accessible qu’au moyen d’une métrologie quantile par strate expérimentale.

7.3 Détection non paramétrique des participants déviants par sous-groupe

L’un des apports méthodologiques les plus puissants du calcul quantile conditionnel réside dans l’automatisation du filtrage des observations aberrantes ou déviantes sans biaiser les propriétés distributionnelles intrinsèques des différents groupes expérimentaux. La méthode conventionnelle consistant à écarter aveuglément les points de données situés au-delà de deux ou trois écarts-types de la moyenne globale de la cohorte constitue une hérésie statistique majeure en présence de données asymétriques et de groupes hétéroscédastiques.

En exploitant les propriétés de robustesse de l’écart interquartile, nous appliquons par groupe la célèbre règle des clôtures de Tukey adaptée de manière conditionnelle. Pour chaque sous-groupe expérimental $k$, nous calculons formellement les seuils d’inclusion dynamique suivants :
$$\text{Seuil Inférieur}_k = Q_{1, k} – 1.5 \times IQR_k$$
$$\text{Seuil Supérieur}_k = Q_{3, k} + 1.5 \times IQR_k$$
En projetant ces seuils calculés au niveau individuel, chaque participant est évalué strictement à l’aune de la dispersion caractéristique de son propre groupe d’appartenance.

Cette approche non paramétrique contextuelle évite un écueil analytique désastreux : dans une procédure d’élagage global unilatérale, les observations atypiques de la condition de privation de sommeil auraient été massivement purgées car jugées anormalement lentes par rapport à la moyenne générale de l’échantillon, effaçant ainsi le phénomène cognitif même que l’expérimentateur cherche à documenter. Le calcul des quantiles conditionnels permet au contraire de circonscrire précisément les défaillances instrumentales ou les abandons réels au sein de chaque groupe, en filtrant les valeurs pathologiques propres à un groupe sans tronquer arbitrairement les queues de distribution légitimes.

8. Traitement des cas limites, valeurs manquantes et anomalies structurelles

8.1 Gestion algorithmique des valeurs manquantes (NaN) par groupe

Dans tout recueil empirique réel, la présence de données manquantes (formalisées par la sentinelle NaN, pour Not a Number) est une fatalité méthodologique résultant de pannes de capteurs, de refus de réponse ou d’abandons de protocoles. Le comportement computationnel de Pandas lors du calcul des quantiles par groupe est dicté par une logique d’exclusion implicite par défaut (skipna=True). Lorsqu’un sous-groupe expérimental contient une fraction de valeurs nulles entremêlées d’observations valides, le moteur algorithmique extrait en premier lieu le sous-vecteur compact des données non nulles avant d’ordonner l’échantillon et de dériver l’interpolation quantile demandée.

Néanmoins, des anomalies structurelles plus sévères surviennent lorsqu’un groupe expérimental se révèle entièrement dépourvu d’observations numériques valides (composé exclusivement de valeurs NaN, ou résultant d’un croisement factoriel ne contenant aucun sujet effectif). Dans cette configuration limite, l’application de la méthode quantile() ne déclenche pas d’exception fatale interrompant le pipeline, mais propage de façon déterministe la valeur NaN en tant que résultat d’estimation pour ladite partition. L’analyste doit impérativement anticiper cette éventualité au sein de ses architectures logicielles : la persistance silencieuse de valeurs manquantes post-agrégation peut corrompre les calculs différentiels subséquents ou faire échouer l’entraînement d’algorithmes prédictifs en aval.

La décision méthodologique relative à l’amputation préalable ou à l’imputation conditionnelle des valeurs manquantes doit être rigoureusement contextualisée. Dans un protocole psychométrique où l’absence de réponse traduit un mécanisme de censure à droite (par exemple, un participant interrompant le test face à une difficulté insurmontable), assimiler une donnée manquante à une absence aléatoire (Missing Completely At Random – MCAR) constitue un biais majeur. Avant d’exécuter l’agrégation quantile, il convient donc de cartographier la prévalence des valeurs NaN au moyen d’instructions de diagnostic telles que df.groupby(by).apply(lambda x: x.isna().sum()) afin de distinguer l’attrition expérimentale bénigne de l’anomalie structurelle systématique.

8.2 Comportement face aux groupes de taille unitaire ou variance nulle

Une situation pathologique récurrente en analyse de données par strates fines réside dans l’émergence de groupes à effectif unitaire ($N = 1$). Ce phénomène apparaît couramment lors de segmentations croisant un nombre excessif de covariables démographiques (sur-stratification croisant l’âge, le sexe, la catégorie socio-professionnelle et le niveau d’instruction). D’un point de vue mathématique et informatique, que produit l’évaluation d’un quantile continu sur un échantillon d’effectif $N = 1$ ?

L’indice théorique calculé par la formule de l’interpolation linéaire est alors $i = q \times (1 – 1) = 0$, quelle que soit la valeur de $q$ comprise entre 0 et 1. Par conséquent, l’observation unique $x_{(0)}$ constitue l’unique statistique d’ordre disponible. Le moteur de Pandas renvoie donc systématiquement cette valeur scalaire unique pour tous les quantiles sollicités, de $q=0.0$ à $q=1.0$. Il en résulte une conséquence immédiate sur les indicateurs de dispersion dérivés : l’écart interquartile ($IQR = Q_3 – Q_1$) pour ce groupe unitaire s’évalue mathématiquement à zéro ($x_{(0)} – x_{(0)} = 0$).

Cette variance nulle apparente pose un risque algorithmique majeur lors des étapes de normalisation ou d’alignement vectoriel. Si le chercheur tente par la suite de centrer et réduire les données individuelles en divisant les écarts par l’IQR conditionnel du groupe, la division par zéro déclenche l’apparition de valeurs infinies non numériques (inf). De la même manière, dans les groupes où toutes les observations sont strictement identiques (variance nulle empirique), la totalité des quantiles s’effondre sur cette constante. Les architectures analytiques robustes doivent systématiquement intégrer des garde-fous programmatiques — par exemple via l’adjonction d’un terme de régularisation infinitésimal $epsilon$ au dénominateur ou le filtrage préalable des partitions d’effectif inférieur à un seuil critique $N_{\min}$.

8.3 Gestion des variables non ordonnées et coercition des types de données

L’intégrité de l’évaluation quantile repose sur l’hypothèse ontologique que la variable dépendante appartient à un espace métrique ordonnable, caractérisé par un type de données numérique continu ou discret (tel que int64 ou float64). Une erreur fréquente de conception de données réside dans l’importation de variables quantitatives corrompues par des chaînes de caractères (par exemple des encodages textuels du type "NULL", "Non Répondu" ou des marqueurs typographiques de virgules décimales latines au lieu du point décimal international).

Lorsqu’une colonne numérique est malencontreusement étiquetée sous le type générique object par le parseur de Pandas, l’invocation de groupby().quantile() génère des comportements problématiques. Selon la version de Pandas et la configuration système, le calcul peut lever une exception explicite de type TypeError: could not convert string to float, ou bien omettre silencieusement la colonne en cause s’il s’agit d’une agrégation multivariée globale, laissant l’analyste face à un tableau tronqué sans avertissement d’erreur visible.

Pour immuniser les flux de traitement contre ces défaillances de typage, une validation et une coercition systématiques en amont du partitionnement s’imposent comme un standard de bonne pratique. L’usage de la fonction pandas.to_numeric(), paramétrée avec l’argument errors='coerce', permet de forcer la conversion rigoureuse de la variable cible en type flottant natif, tout en transformant élégamment les éventuelles anomalies textuelles résiduelles en valeurs NaN traitables. Cette étape d’assainissement garantit que les algorithmes d’interpolation sous-jacents opèrent exclusivement sur des registres binaires homogènes, prévenant toute corruption des structures mémoire.

9. Optimisation computationnelle et montée en charge sur volumétries massives

9.1 Analyse de la complexité algorithmique temporelle et spatiale

L’évaluation des quantiles par groupe présente une complexité computationnelle substantiellement supérieure à celle des moments arithmétiques élémentaires comme la moyenne ou la somme. Alors que la moyenne s’évalue par une accumulation séquentielle en un passage unique nécessitant un temps strictement linéaire en $O(N)$ et une mémoire spatiale en $O(1)$, l’extraction d’un quantile empirique exige intrinsèquement l’ordonnancement partiel ou complet des observations au sein de chaque partition.

Sur le plan algorithmique, si une partition contient $N_k$ observations, l’opération de tri complet préalable par un algorithme standard (tel que le Timsort natif de Python ou le Quicksort de C) induit une complexité temporelle asymptotique de l’ordre de $O(N_k \log N_k)$. À l’échelle du DataFrame total comprenant $K$ groupes distincts et un effectif cumulé de $N$ éléments, la complexité temporelle globale du partitionnement et de l’extraction quantile s’exprime formellement par :
$$T(N) = O\left(\sum_{k=1}^K N_k \log N_k\right)$$
Bien que l’algorithme d’introselect employé par les routines optimisées de NumPy permette d’extraire une statistique d’ordre en temps moyen linéaire $O(N_k)$, la dérivation simultanée de multiples quantiles arbitraires converge à nouveau vers cette borne quasi-linéaire.

L’implémentation de ces opérations au moyen de boucles impératives Python standard (de type for group in unique_groups: ...) constitue une défaillance méthodologique majeure, multipliant le temps d’exécution par des ordres de grandeur allant de 10 à 100 par rapport aux méthodes natives vectorisées. L’utilisation exclusive de DataFrame.groupby().quantile() capitalise sur des boucles vectorielles compilées au niveau de la couche C/Cython de Pandas, garantissant une utilisation optimale des registres vectoriels SIMD du microprocesseur et minimisant la surcharge temporelle globale.

9.2 Optimisation de la mémoire par l’utilisation de types catégoriels

Dans les corpus de données massifs — tels que les logs d’interaction comportementale haute fréquence ou les registres nationaux de santé —, la colonne servant de clé de partitionnement contient fréquemment des chaînes de caractères répétées sur des millions de lignes (par exemple les identifiants textuels des protocoles, des régions ou des cohortes). L’encodage par défaut de ces libellés en chaînes d’objets Python (dtype='object') représente un gaspillage massif de mémoire vive et pénalise sévèrement les opérations de groupement.

En convertissant explicitement les variables de partitionnement vers le type optimisé category de Pandas en amont du calcul, l’analyste transforme la structure sous-jacente des données. Au lieu de stocker des millions de pointeurs d’adresses vers des chaînes de caractères dispersées en mémoire, Pandas encode la variable sous la forme d’un tableau d’entiers compacts (généralement sur 8 ou 16 bits) couplé à une table de consultation unique répertoriant les modalités textuelles distinctes. Cette simple transformation produit une réduction spectaculaire de l’empreinte mémoire pouvant atteindre 80 à 90 % sur les colonnes considérées.

De surcroît, cette optimisation mémoire accélère directement les phases de partitionnement (Split) au sein de l’opérateur groupby(). La table de hachage interne manipulant désormais des clés entières de dimension fixe plutôt que des chaînes arbitraires, la détection des partitions et la constitution des groupes s’exécutent à des cadences computationnelles significativement supérieures. L’adoption du type catégoriel s’impose donc comme un prérequis architectural dès lors que les données dépassent les quelques centaines de milliers de lignes.

9.3 Stratégies de parallélisation et alternatives haute performance

Lorsque la volumétrie des données excède la capacité de la mémoire vive d’un nœud de calcul unique (régime Out-of-Core) ou que les temps de calcul deviennent prohibitifs pour des analyses interactives, l’exécution standard séquentielle de Pandas atteint ses limites structurelles. Dans ce scénario de mise à l’échelle massive, plusieurs architectures distribuées et environnements haute performance permettent de démultiplier la puissance computationnelle sans abandonner la sémantique familière de Pandas.

L’alternative la plus directe consiste à intégrer la bibliothèque Dask. En encapsulant les structures de données sous forme de dask.dataframe, le partitionnement par groupe et l’estimation des quantiles sont ventilés de manière transparente sous forme d’un graphe de tâches acyclique orienté (DAG). Ce graphe est exécuté en parallèle sur l’intégralité des cœurs du processeur ou déployé à travers les nœuds d’un cluster informatique. Les partitions de groupes sont traitées simultanément, optimisant l’usage de la bande passante mémoire et réduisant drastiquement le temps d’attente sur des corpus massifs de neuroimagerie ou de génomique comportementale.

Parallèlement, pour les calculs d’agrégations hautement personnalisés ne disposant pas d’équivalents vectorisés précompilés (tels que des quantiles soumis à des pondérations non linéaires complexes), l’intégration de compilateurs Just-in-Time (JIT) via Numba offre un gain de performance considérable. En annotant les fonctions d’estimation quantile personnalisées avec le décorateur @numba.jit, le code Python est compilé en code machine natif lors de sa première exécution. Cette compilation élimine le verrou global de l’interpréteur (GIL) et permet d’exécuter des calculs itératifs à des vitesses comparables à celles de routines écrites en C++ ou en Fortran natif.

10. Restructuration avancée, indexation et mise en forme des sorties

10.1 Transformation d’une série multi-indexée en format tabulaire large

La dérivation de multiples quantiles sur une série de variables continues engendre, comme établi précédemment, une structure de données profondément hiérarchisée caractérisée par un MultiIndex multidimensionnel. Pour injecter ces estimations synthétiques au sein d’environnements d’apprentissage statistique ou de modélisation prédictive, il est indispensable d’opérer une reconfiguration géométrique orthogonale visant à convertir le format long hiérarchique en un format large standardisé (wide format).

L’outil privilégié de cette restructuration est la méthode unstack(). En paramétrant précisément l’argument d’axe, spécifiquement level=-1, l’analyste commande la projection du niveau d’index le plus profondément imbriqué (celui hébergeant les valeurs flottantes des ordres de quantiles) directement vers l’axe horizontal des colonnes. Ce pivotement transforme chaque quantile en une dimension orthogonale propre, alignée horizontalement face à chaque groupe d’observation :

• Les lignes de la matrice résultante représentent de manière biunivoque les modalités uniques des facteurs de partitionnement.
• Les colonnes regroupent l’éventail complet des estimateurs dérivés, assurant une lecture séquentielle et tabulaire immédiate.

Cette restructuration dimensionnelle doit s’accompagner d’une normalisation formelle des identifiants d’en-têtes. Pandas générant après un pivotement des colonnes à index composite (MultiIndex sur les colonnes), il est hautement recommandé d’aplatir cette hiérarchie supérieure en concaténant les noms de variables et les niveaux de fractiles au moyen d’une compréhension de liste concise (par exemple, en générant des étiquettes telles que Latence_q25, Latence_q50, Latence_q75). Cette étape garantit une sémantique de variable transparente et élimine toute friction syntaxique lors de l’exportation vers des formats tabulaires conventionnels.

10.2 Fusion relationnelle des quantiles agrégés avec le DataFrame d’origine

Une démarche analytique fondamentale consiste à ne pas se limiter à la contemplation des valeurs synthétiques agrégées, mais à réinjecter ces estimateurs de groupe directement au sein du jeu de données expérimental d’origine, à l’échelle de chaque observation individuelle. Si l’on souhaite par exemple évaluer l’écart relatif d’un participant individuel par rapport à la médiane spécifique de sa propre condition expérimentale, l’usage de la méthode classique agg() ou quantile() est inadapté, car elle réduit le nombre de lignes à la cardinalité des groupes.

La solution architecturale optimale réside dans l’emploi de la méthode transform(). Lorsqu’elle est appliquée à un objet groupé sous la syntaxe df.groupby('Condition')['Latence'].transform(lambda x: x.quantile(0.50)), cette fonction exécute le calcul quantile au niveau de chaque strate, mais projette et diffuse (broadcast) immédiatement le résultat scalaire sur l’ensemble des lignes appartenant au groupe respectif. Le vecteur retourné possède rigoureusement la même longueur dimensionnelle et le même index que le DataFrame d’origine.

Cette diffusion scalaire conditionnelle ouvre la voie à des applications avancées de normalisation centrée-réduite non paramétrique, communément désignée sous le nom de standardisation robuste (Robust Scaling conditionnel). En exploitant simultanément la médiane et l’écart interquartile diffusés par transform(), l’analyste dérive un score centré et réduit non paramétrique pour chaque observation individuelle $x_{ijk}$ via la formulation formelle :
$$z_{ijk}^{\text{robuste}} = \frac{x_{ijk} – \text{Médiane}_k}{IQR_k}$$
Cette variable synthétique dérivée exprime l’écart relatif d’un sujet par rapport à sa propre communauté d’appartenance, exprimé en unités d’IQR et totalement affranchi des distorsions induites par d’éventuelles valeurs aberrantes.

10.3 Exportation reproductible et sérialisation des résultats tabulaires

L’aboutissement de toute chaîne d’ingénierie statistique réside dans la pérennisation et la diffusion des résultats empiriques sous des formats de stockage respectant les standards de la science ouverte et de l’archivage pérenne. Lorsque l’on manipule des tableaux de quantiles par groupe ayant fait l’objet de restructurations dimensionnelles complexes, le choix du support de sérialisation revêt une importance capitale pour prévenir toute dégradation de typage lors de réouvertures ultérieures.

Pour l’archivage binaire haute performance au sein de pipelines de calcul scientifique, le format colonnaire Apache Parquet (via la méthode to_parquet() de Pandas) constitue la référence internationale absolue. Contrairement aux formats textuels conventionnels, Parquet préserve fidèlement et rigoureusement l’intégralité des métadonnées du tableau, incluant les types scalaires précis des données (flottants 64 bits, entiers signés, structures catégorielles) et les hiérarchies éventuelles d’indexation. De surcroît, ses algorithmes de compression intégrés (tels que Snappy ou Gzip) réduisent l’espace disque consommé tout en assurant des débits d’écriture et de lecture fulgurants.

Lorsque la finalité de l’analyse est la restitution académique et l’intégration des résultats au sein de manuscrits scientifiques soumis à évaluation par les pairs, la méthode to_latex() permet d’automatiser la transcription du tableau de quantiles en code source LaTeX impeccable. Cette méthode permet de contrôler finement l’échappement des caractères réservés, le formatage du nombre de décimales significatives et la génération de blocs d’en-têtes multi-colonnes élégants. Enfin, pour l’interopérabilité universelle avec les plateformes de partage de données publiques (telles que Zenodo ou OSF), l’exportation au format CSV standardisé via to_csv(index=False, encoding='utf-8') demeure un impératif de transparence et de reproductibilité universelle.

11. Visualisation graphique rigoureuse des quantiles par groupe

11.1 Représentation par diagrammes en boîte (Boxplots) conditionnels

La transcription visuelle d’une distribution statistique conditionnelle constitue le prolongement cognitif indispensable de l’analyse numérique. L’instrument graphique canonique pour matérialiser les quantiles d’échantillons stratifiés est le diagramme en boîte et moustaches, conceptualisé à l’origine par John Tukey. L’intégration transparente entre Pandas et la bibliothèque graphique Seaborn permet de projeter instantanément les propriétés quantiles sur un plan visuel hautement communicatif.

Au sein d’un boxplot conditionnel, l’anatomie géométrique de la figure reflète rigoureusement les fractiles cardinaux calculés par Pandas :

• Le trait transversal interne matérialise la médiane d’échantillon ($Q_2$ ou 50e centile), localisant la position centrale robuste.
• Les bords inférieur et supérieur de la boîte rectangulaire délimitent respectivement le premier quartile ($Q_1$) et le troisième quartile ($Q_3$), matérialisant ainsi graphiquement l’écart interquartile ($IQR$).
• Les moustaches périphériques s’étirent conventionnellement jusqu’aux observations les plus distantes situées dans la limite de $1.5 \times IQR$ au-delà des charnières de la boîte, isolant visuellement sous forme de points individuels disjoints toute valeur candidate au statut d’anomalie statistique.

Toutefois, une représentation par diagramme en boîte isolé peut dissimuler des variations critiques de densité sous-jacente ou des micro-agrégats locaux au sein de grands échantillons. Une bonne pratique méthodologique en métrologie comportementale consiste à superposer au diagramme en boîte un nuage de dispersion de points individuels doté d’une gigue stochastique contrôlée (technique du jittering, implémentée via la fonction stripplot de Seaborn). Cette couche visuelle additionnelle restaure l’information relative à la densité effective des données et permet au relecteur d’appréhender la réalité de l’échantillonnage derrière les abstractions géométriques des quartiles.

11.2 Diagrammes en violon avec démarcation explicite des quantiles

Bien que le diagramme en boîte soit universellement reconnu, il présente une cécité visuelle majeure face aux distributions complexes : il est incapable de distinguer une distribution strictement unimodale symétrique d’une distribution bimodalement polarisée présentant des quartiles équivalents. Pour surmonter cette limitation géométrique, le diagramme en violon (Violin Plot) fusionne le boxplot robuste avec une estimation de densité par noyau non paramétrique (KDE pour Kernel Density Estimation).

Dans Seaborn, l’invocation de violinplot() permet de paramétrer explicitement l’argument inner='quartiles'. Cette configuration commande au moteur de tracé de projeter, au cœur même de l’enveloppe de densité symétrisée, des lignes transversales tiretées délimitant rigoureusement les 25e, 50e et 75e percentiles conditionnels. Cette double représentation simultanée combine les avantages de deux mondes : le profil externe continu renseigne sur la morphologie globale de la fonction de masse probabiliste et signale la présence de modes multiples, tandis que les lignes intérieures fournissent les repères métriques stricts issus du calcul quantile de Pandas.

Dans le cadre d’un protocole expérimental croisant deux facteurs (par exemple une condition clinique et le sexe biologique des participants), l’usage de diagrammes en demi-violons appariés (paramètre split=True) offre une compacité visuelle et une puissance comparative remarquables. Deux sous-populations partageant un même niveau de facteur principal sont directement juxtaposées au sein d’une enveloppe bilatérale unique, permettant une détection visuelle instantanée des divergences de quantiles et d’asymétries entre les deux groupes comparés.

11.3 Graphiques d’intervalles de percentiles et rubans de confiance

Lorsque le facteur de partitionnement conditionnel n’est pas une simple variable qualitative nominale non ordonnée, mais une échelle ordinale ou temporelle (comme des blocs d’essais répétés, des paliers de difficulté incrémentaux ou des âges longitudinaux), les représentations par boîtes ou violons disjoints perdent la continuité visuelle inhérente à la dynamique séquentielle. Il convient alors de mobiliser des graphiques de trajectoires fractiles assortis de rubans d’intervalles de percentiles.

Cette visualisation se structure autour d’une courbe centrale reliant les médianes calculées pour chaque pas temporel ou palier expérimental, encadrée par une ou plusieurs zones ombrées d’intervalles interquantiles superposées. Typiquement, un premier ruban ombré dense délimite l’espace compris entre le 25e et le 75e percentile (le cœur interquartile à 50 %), tandis qu’un second ruban plus clair et plus large s’étend du 10e au 90e percentile (couvrant 80 % de la masse centrale empirique). Ce type de figure s’élabore élégamment avec Matplotlib et Pandas en combinant les méthodes de tracé linéaire plot() et de remplissage spatial continu fill_between().

Les rubans de percentiles constituent l’instrument privilégié pour communiquer l’évolution de la dispersion au fil du temps dans les modèles d’apprentissage, d’habituation ou de dégradation de la vigilance. Ils permettent de visualiser en un coup d’œil si l’accroissement de la difficulté expérimentale resserre la performance de l’ensemble des participants autour d’une stratégie commune ou si elle fait éclater la variance du groupe en projetant les quantiles périphériques dans des trajectoires divergentes. Cette lisibilité visuelle respecte en tous points les normes graphiques édictées par les revues académiques internationales de premier rang.

12. Synthèse méthodologique, pièges récurrents et bonnes pratiques

12.1 Pièges d’interprétation des quantiles extrêmes sur petits échantillons

L’estimation des quantiles conditionnels confère un sentiment de sécurité méthodologique qui peut paradoxalement induire des biais d’interprétation sévères lorsque les conditions d’échantillonnage ne sont pas adéquates. Le piège le plus pernicieux réside dans la tentative d’estimer des quantiles d’ordre extrême (tels que le 1er, 5e, 95e ou 99e percentile) au sein de sous-groupes caractérisés par des effectifs d’échantillons restreints.

Sur le plan fondamental de la théorie de l’échantillonnage statistique, l’estimation empirique d’un quantile d’ordre $q$ requiert qu’au moins une fraction substantielle d’observations se situe au-delà de cet ordre pour stabiliser la statistique d’ordre. Pour évaluer de manière fiable et asymptotiquement stable un 99e percentile, un effectif minimal de plusieurs centaines d’observations au sein de la partition ($N gg 100$) est rigoureusement requis. Si cette règle est ignorée et qu’un analyste tente d’extraire le 99e percentile d’un groupe comprenant $N = 20$ participants, le résultat renvoyé par l’interpolation mathématique ne constitue en réalité qu’une projection artificielle reposant intégralement sur l’unique valeur maximale enregistrée dans l’échantillon, soumise à une variance d’échantillonnage phénoménale.

Il est impératif de ne pas confondre le quantile empirique d’échantillon avec le quantile populationnel théorique sous-jacent. Afin d’éviter de fonder des conclusions théoriques sur des artefacts de calcul, il est vivement recommandé de rapporter systématiquement les intervalles de confiance statistiques associés aux quantiles conditionnels estimés. Ces intervalles peuvent être dérivés de façon élégante et universelle par des techniques de rééchantillonnage non paramétrique (Bootstrap stratifié conditionnel), quantifiant explicitement l’incertitude inférentielle entourant chaque estimation empirique.

12.2 Erreurs de programmation récurrentes et stratégies de débogage

L’exploitation de Pandas pour des calculs d’agrégation avancés s’accompagne d’un corpus d’erreurs de programmation typiques qu’il convient de répertorier afin d’en faciliter le diagnostic et la résolution :

• Confusion d’axe et omissions dimensionnelles : Par défaut, la méthode quantile() opère le long de l’axe des lignes (axis=0), ce qui correspond à l’agrégation conditionnelle recherchée sur des séries de données. Cependant, lors de manipulations sur des DataFrames bidimensionnels larges sans groupement préalable, l’omission de spécifier l’axe peut conduire à calculer accidentellement des fractiles transversaux à travers des variables hétérogènes le long des lignes (axis=1), produisant des valeurs dénuées de sens métrologique.
• Erreurs d’indexation post-agrégation (KeyError) : Suite à l’application de quantiles multiples générant un MultiIndex, tenter d’accéder immédiatement à une colonne de fractile au moyen d’un crochet simple (par exemple resultat['0.50']) lève invariablement une exception KeyError. L’analyste doit impérativement veiller à restructurer la sortie via unstack() ou reset_index() avant toute tentative d’adressage direct, ou mobiliser la syntaxe formelle par tuples hiérarchiques.
• Gestion de l’argument observed dans les versions récentes de Pandas : Lors de l’application de groupby() sur des variables catégorielles typées (CategoricalDtype), l’omission du paramètre observed peut générer des avertissements de dépréciation majeurs (DeprecationWarning) ou gonfler inutilement la table finale. Si observed=False (comportement historique par défaut), Pandas calcule les quantiles pour l’ensemble du produit cartésien de toutes les catégories possibles, même celles ne présentant aucune observation réelle dans les données, engendrant une prolifération de lignes composées exclusivement de valeurs NaN. Il est donc recommandé d’expliciter systématiquement observed=True afin de restreindre le calcul aux seules strates effectivement observées dans l’échantillon expérimental.

12.3 Protocole recommandé pour des analyses quantitatives reproductibles

Pour clore cette synthèse méthodologique, nous formalisons ci-après le protocole séquentiel standardisé qu’il convient d’adopter pour garantir la validité, la robustesse statistique et la reproductibilité computationnelle intégrale de toute analyse reposant sur l’estimation de quantiles par groupe au sein de l’écosystème Pandas :

1. Phase d’audit et d’assainissement structurel des données : Vérifier systématiquement les types de données (dtypes) de l’ensemble des covariables et cibles métriques. Forcer la coercition numérique via to_numeric() sur les variables continues et convertir les identifiants de stratification en type category. Cartographier l’incidence des valeurs manquantes et décider formellement de leur traitement.
2. Validation de la puissance statistique d’échantillonnage par partition : Évaluer la distribution des effectifs réels au sein de chaque groupe via l’instruction df.groupby(by, observed=True).size(). S’assurer formellement que la taille minimale $N_k$ de chaque partition est compatible avec l’ordre des quantiles sollicités, en proscrivant l’évaluation de fractiles extrêmes sur des micro-cohortes.
3. Exécution explicite de l’agrégation conditionnelle : Formuler la requête de calcul au moyen d’une sélection ciblée des colonnes, en définissant formellement l’algorithme d’interpolation retenu (généralement interpolation='linear' pour un alignement sur les standards de type 7 de Hyndman et Fan, ou 'midpoint' pour des panels réduits).
4. Normalisation géométrique et sémantique de la structure de sortie : Aplatir le cas échéant l’indexation composite au moyen de unstack() et reset_index(), et substituer aux en-têtes flottants décimaux des libellés programmatiques explicites et sémantiquement transparents.
5. Contrôle qualité et documentation scientifique : Vérifier l’absence de valeurs infinies ou corrompues au sein de la table finale. Documenter de manière exhaustive au sein du cahier d’analyse ou du manuscrit académique l’ensemble de l’environnement logiciel (versions précises de Python, Pandas et NumPy), en accompagnant les estimations quantiles de leurs intervalles de confiance bootstrap et des figures de visualisation adaptées.

Références

• Hyndman, R. J., & Fan, Y. (1996). Sample quantiles in statistical packages. The American Statistician, 50(4), 361–365. https://doi.org/10.1080/00031305.1996.10473566
• McKinney, W. (2010). Data structures for statistical computing in Python. In Proceedings of the 9th Python in Science Conference (Vol. 445, pp. 51–56). https://doi.org/10.25080/Majora-92bf1922-00a
• The Pandas Development Team. (2024). pandas-dev/pandas: Pandas (Version 2.2.0). Zenodo. https://doi.org/10.5281/zenodo.3509134
• Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley Publishing Company.
• Waskom, M. L. (2021). Seaborn: statistical data visualization. Journal of Open Source Software, 6(60), 3021. https://doi.org/10.21105/joss.03021
• Wickham, H. (2011). The split-apply-combine strategy for data analysis. Journal of Statistical Software, 40(1), 1–29. https://doi.org/10.18637/jss.v040.i01
• Wilcox, R. R. (2012). Introduction to robust estimation and hypothesis testing (3rd ed.). Academic Press.