Pandas : comment créer un tableau croisé dynamique avec le décompte des valeurs

Dans le paysage contemporain de la science des données, la manipulation efficace et rigoureuse des structures matricielles constitue la pierre angulaire de toute démarche analytique. Face à l’accroissement exponentiel des volumes d’information collectés dans les sciences expérimentales, l’économétrie, la sociologie quantitative et le génie logiciel, le chercheur ou l’analyste se trouve constamment confronté à la nécessité de réduire la complexité dimensionnelle de ses observations. La bibliothèque logicielle Pandas, intégrée à l’écosystème scientifique de Python, s’est imposée au fil de la dernière décennie comme le standard de facto pour opérer ces transformations structurales. Parmi l’arsenal d’opérateurs qu’elle met à disposition, le tableau croisé dynamique — matérialisé par la fonction universelle pivot_table — représente l’un des instruments les plus élégants et puissants pour synthétiser, découper et interroger des jeux de données complexes.

Si la sommation arithmétique et le calcul de moyennes pondérées constituent historiquement les opérations de réduction les plus couramment exécutées au sein de ces matrices, la problématique du dénombrement des occurrences s’avère tout aussi fondamentale, voire prépondérante dans les études distributionnelles. Dénombrer des événements, quantifier la présence d’unités statistiques au sein de strates croisées, ou mesurer la diversité d’un phénomène à travers la cardinalité d’entités distinctes exige une maîtrise conceptuelle et syntaxique sans faille. En effet, la transition d’un format de données transactionnel, dit « long », vers une structure agrégée et multidimensionnelle, dite « large », soulève des enjeux méthodologiques cruciaux relatifs au traitement de la complétude des données, à la sémantique des valeurs nulles et aux coûts computationnels associés.

Le présent article se propose de décortiquer, avec un niveau d’exigence académique et une précision chirurgicale, les mécanismes présidant à la création de tableaux croisés dynamiques dédiés au décompte de valeurs sous Pandas. À travers un parcours systématique couvrant les fondements de l’algèbre relationnelle sous-jacente, les implémentations syntaxiques des fonctions d’agrégation élémentaires et avancées, la gestion des pièges algorithmiques et l’optimisation des performances sur des corpus massifs, cette étude offre un cadre méthodologique exhaustif. Destiné tant aux chercheurs quantitatifs qu’aux ingénieurs de données soucieux d’intégrité analytique, ce guide explore en profondeur la dialectique entre structure de données et déduction statistique.

1. Introduction aux tableaux croisés dynamiques avec Pandas et principes du dénombrement

1.1 Définition et rôle de la synthèse croisée en analyse de données

L’analyse exploratoire des données repose fondamentalement sur la capacité de condenser des ensembles volumineux d’observations individuelles en indicateurs synthétiques intelligibles. Dans cette perspective, la synthèse croisée — historiquement conceptualisée sous la dénomination de table de contingence ou de tableau croisé dynamique — constitue un dispositif fondamental de la statistique descriptive bidimensionnelle et multidimensionnelle. Son objectif premier consiste à restructurer un ensemble de données brutes selon deux axes orthogonaux ou davantage, permettant d’étudier simultanément la distribution conjointe de deux ou plusieurs variables qualitatives ou discrétisées. La disposition matricielle résultante permet d’observer immédiatement la manière dont les modalités d’une variable d’intérêt se répartissent à travers les strates définies par une autre variable, révélant ainsi d’éventuelles dépendances, corrélations ou ségrégations spatiales et structurelles.

Sur le plan conceptuel, le tableau croisé dynamique opère une transposition radicale : il extrait les données de leur linéarité séquentielle originelle, typique des journaux d’événements ou des tables relationnelles normalisées au sens de l’algèbre relationnelle de Codd, pour les projeter dans un espace matriciel bidimensionnel dense. Cette restructuration modifie profondément la granularité de l’information. Alors que chaque ligne du tableau initial documente une observation singulière au niveau micro-analytique, chaque cellule de la matrice résultante incarne un sous-ensemble partitionné d’observations. L’intersection formée par une ligne spécifique et une colonne donnée circonscrit un sous-espace vectoriel sur lequel s’applique une opération de réduction statistique destinée à produire une mesure scalaire unique.

Dans ce cadre analytique, l’opération de dénombrement occupe une fonction épistémologique singulière, qu’il convient de distinguer rigoureusement des opérations de sommation ou de moyennage. Alors que l’agrégation sommative quantifie une masse, un volume ou une intensité cumulative — à l’instar d’un montant de transactions financières ou d’une consommation énergétique globale —, l’agrégation d’occurrences s’intéresse exclusivement à la fréquence d’apparition des faits observés. Dénombrer consiste à mesurer la densité empirique d’un croisement de critères, indépendamment de la magnitude des attributs portés par les individus statistiques. Cette distinction s’avère fondamentale : là où la moyenne pondère les valeurs extrêmes et la somme agrège des magnitudes continues, le comptage évalue la représentativité, la prévalence et la structure distributionnelle intrinsèque d’une population au sein d’un univers d’échantillonnage.

1.2 Positionnement de Pandas face aux outils conventionnels de manipulation tabulaire

L’avènement de l’écosystème open-source fondé sur Python a profondément redéfini l’ingénierie et l’analyse de données, positionnant la bibliothèque Pandas en rupture technologique face aux tableurs graphiques conventionnels. Dans les logiciels de bureautique classiques, la confection d’un tableau croisé dynamique repose sur des interfaces graphiques orientées utilisateur, nécessitant des manipulations manuelles par glisser-déposer. Bien que ces outils offrent une accessibilité immédiate pour des analyses exploratoires ponctuelles, ils révèlent rapidement des limitations rédhibitoires dès lors que la volumétrie dépasse quelques centaines de milliers de lignes, ou lorsque les impératifs de reproductibilité scientifique exigent l’automatisation intégrale du pipeline de transformation des données.

Pandas transcende ces contraintes grâce à sa structure centrale, le DataFrame, qui encapsule des vecteurs de données typés au sein de blocs mémoriels gérés en arrière-plan par NumPy. Contrairement à une feuille de calcul dont la logique d’exécution est opaque et dépendante de l’état de l’application, une instruction de pivotement sous Pandas s’exprime sous la forme d’un code programmatique déterministe, versionnable et auditable. Cette approche paradigmatique permet d’intégrer nativement l’agrégation croisée au sein de pipelines analytiques complexes, autorisant le chaînage d’opérations de prétraitement, d’imputation statistique, de modélisation prédictive via des bibliothèques telles que Scikit-Learn et de restitution visuelle automatisée.

De surcroît, le moteur d’agrégation de Pandas bénéficie d’optimisations algorithmiques élaborées au niveau du compilateur C sous-jacent, notamment via des tables de hachage vectorisées pour le regroupement des clés et des routines d’indexation hiérarchique hautement efficientes. Cette architecture permet d’exécuter des opérations de restructuration multidimensionnelle sur des millions d’enregistrements en une fraction du temps nécessaire aux outils bureautiques traditionnels, tout en garantissant une traçabilité mathématique absolue des calculs exécutés. L’analyste s’affranchit ainsi de la subjectivité de l’interface graphique pour embrasser une discipline formelle où chaque opération d’agrégation est régie par une syntaxe rigoureuse et reproductible.

1.3 Objectifs analytiques et structuration du protocole de comptage

L’engagement d’une procédure de dénombrement par tableau croisé dynamique ne saurait résulter d’un simple empirisme technique ; elle requiert une formalisation rigoureuse de la question de recherche et des protocoles de transformation sous-jacents. Sur le plan méthodologique, la formulation de la problématique analytique dicte la structure même de la matrice de contingence à générer. Il s’agit d’identifier sans ambiguïté les variables qui définiront l’armature de la décomposition : quelles entités conceptuelles constitueront les axes d’analyse, et quelle variable servira de support matériel au dénombrement de l’effectif ?

La structuration du protocole exige une dissociation claire entre trois composantes fondamentales au sein de la fonction d’agrégation :

• La variable d’indexation en lignes : elle matérialise la dimension primaire de stratification, déterminant les groupes d’observations autonomes dont on souhaite comparer les profils statistiques respectifs.
• La variable de segmentation en colonnes : elle définit l’axe secondaire de croisement, subdivisant chaque strate de ligne selon un spectre de conditions, d’états ou de catégories distinctes.
• La variable cible de valeurs : elle fournit le substrat scalaire inspecté par l’algorithme d’agrégation pour valider l’existence effective d’une observation comptabilisable.

Cette taxonomie fonctionnelle conditionne directement le choix du formalisme computationnel à adopter. L’analyste doit impérativement s’assurer de la cohérence sémantique entre la question posée — par exemple, l’évaluation de la fréquence d’une pathologie selon les classes d’âge et les zones géographiques — et la projection bidimensionnelle qui en découle.

Enfin, le protocole impose un audit rigoureux de la typologie des données préalablement à l’opération de pivotement. Le décompte d’occurrences présuppose une compréhension exacte des types primitifs présents dans les séries analysées : variables catégorielles nominales, variables ordinales ou métriques continues discrétisées. La présence de valeurs sentinelles, de codages textuels hétérogènes ou de types non normalisés peut induire des erreurs silencieuses lors de l’application des opérateurs de réduction. Ainsi, l’établissement d’une typologie formelle et le nettoyage des chaînes de caractères ou des facteurs catégoriels s’imposent comme des étapes préparatoires incontournables garantissant que chaque cellule du tableau reflète avec exactitude la fréquence empirique de l’échantillon examiné.

2. Fondements théoriques et syntaxe de base de la fonction pd.pivot_table()

2.1 Anatomie formelle des paramètres de la fonction pivot_table

La fonction pd.pivot_table(), accessible directement depuis l’espace de noms de haut niveau de Pandas ou en tant que méthode d’instance sur un objet DataFrame, constitue une interface généralisée dédiée à la restructuration matricielle avec agrégation intégrée. Sa signature algorithmique rassemble un ensemble de paramètres interconnectés dont la maîtrise conjointe conditionne la réussite de toute opération d’analyse multidimensionnelle. Comprendre l’anatomie formelle de cette fonction nécessite d’analyser la dynamique d’interaction entre ses quatre composantes nodales : index, columns, values et aggfunc.

Le paramètre index accepte un nom de colonne, une séquence de clés ou un tableau de descripteurs destinés à structurer la dimension verticale du tableau résultant. Sur le plan de la théorie des ensembles, il partitionne l’espace des données initiales en classes d’équivalence définies par les modalités uniques de la variable désignée. En miroir, le paramètre columns déploie une logique strictement équivalente sur l’axe horizontal, transformant les valeurs discrètes de la colonne spécifiée en une pluralité d’en-têtes de colonnes au sein de la nouvelle géométrie tabulaire. L’intersection d’une modalité d’index et d’une modalité de colonne définit le domaine spatial d’une cellule matricielle.

Le paramètre values désigne explicitement la ou les colonnes dont les observations doivent être extraites pour subir la transformation scalaire. Enfin, le paramètre aggfunc — abréviation conventionnelle de aggregation function — spécifie l’opérateur mathématique ou fonctionnel chargé de condenser le vecteur d’observations relatives à chaque cellule en une valeur synthétique unique. Si, par défaut dans l’implémentation de Pandas, ce paramètre applique l’opérateur de moyenne arithmétique (np.mean), son paramétrage explicite sous forme de chaîne de caractères ou d’objet fonctionnel constitue le point névralgique permettant d’orienter le comportement du tableau vers un dénombrement strict ou d’autres formes de synthèses statistiques.

2.2 Distinction formelle entre pivot(), pivot_table() et groupby()

L’architecture de Pandas propose plusieurs méthodes de remodelage morphologique qui, bien que partageant certaines affinités algorithmiques, répondent à des postulats mathématiques dissemblables. Une confusion récurrente chez les praticiens réside dans la non-différenciation entre pivot(), pivot_table() et le paradigme groupby().unstack(). L’opérateur DataFrame.pivot() représente un cas limite d’extrême rigidité : il effectue une simple réorganisation spatiale sans réduction statistique. Par conséquent, il impose formellement que chaque couple composé d’un index et d’une colonne corresponde à une valeur strictement unique dans le jeu d’origine. Si une paire de coordonnées présente ne serait-ce qu’un doublon, pivot() lève immédiatement une exception d’indexation (ValueError: Index contains duplicate entries, cannot reshape), ce qui le disqualifie d’emblée pour toute entreprise de dénombrement sur des données transactionnelles.

À l’inverse, pivot_table() intègre intrinsèquement une logique de résolution des conflits d’unicité via son moteur d’agrégation. Lorsqu’une combinaison de coordonnées spatiales encapsule plusieurs enregistrements, la fonction invoque automatiquement l’opérateur désigné par aggfunc pour compresser ces éléments disparates en un résultat univoque. Cette méthode s’avère donc particulièrement robuste face aux volumes hétérogènes caractérisés par une pluralité d’événements pour une même cellule conceptuelle.

D’un autre côté, le couplage de groupby() avec la méthode unstack() réalise une opération théoriquement analogue à celle de pivot_table(). L’instruction df.groupby([‘A’, ‘B’])[‘C’].count().unstack() produira une structure matricielle identique à celle générée par df.pivot_table(index=’A’, columns=’B’, values=’C’, aggfunc=’count’). Néanmoins, la divergence réside dans le niveau d’abstraction et la lisibilité cognitive du code. Tandis que l’approche basée sur groupby décompose explicitement le flux de traitement en trois étapes successives — scission des données (split), application de la fonction de réduction (apply), et restructuration matricielle (unstack) selon le célèbre paradigme formulé par Hadley Wickham (2011) —, pivot_table() encapsule cette chaîne opératoire sous une interface unifiée et déclarative particulièrement lisible, optimisée tant pour l’interaction directe que pour la maintenance logicielle.

2.3 Configuration de l’environnement d’expérimentation et jeu d’exemples

Afin d’ancrer les développements conceptuels de cette étude dans une pratique expérimentale rigoureuse, il est indispensable de formaliser un environnement de données reproductible. Considérons un cas canonique issu de l’analyse de la performance sportive au sein d’une ligue professionnelle, domaine d’étude exemplaire par sa richesse en interactions catégorielles et en variables quantitatives discrètes. Le corpus synthétique mis en place pour nos expérimentations comprend plusieurs variables descriptives : l’identifiant institutionnel de l’équipe (par exemple les catégories Alpha, Beta, Gamma), la position tactique occupée par l’athlète sur le terrain (telle que Garde, Ailier, Pivot), le niveau de qualification ou d’expérience de l’individu, et enfin une métrique de performance continue discrétisée matérialisée par les points inscrits ou les fautes enregistrées.

Dans la constitution de ce jeu de données d’expérimentation, une attention toute particulière doit être accordée au typage structurel des colonnes. Les variables identifiant l’équipe et la position doivent être définies sous des types de chaînes de caractères standard ou, de préférence, converties en types catégoriels explicites (category) afin d’optimiser l’allocation mémorielle et de fixer l’ordonnancement théorique des modalités. Les variables scalaires quantitatives, quant à elles, sont formatées selon des types numériques flottants (float64) ou entiers signés (int64), permettant d’introduire intentionnellement des valeurs manquantes normalisées (NaN ou pd.NA).

L’inspection préliminaire de cet échantillon permet d’anticiper la topologie des intersections : certaines combinaisons d’équipe et de position présentent de multiples observations — traduisant une surreprésentation d’effectifs dans certains secteurs de jeu —, tandis que d’autres croisements sont totalement absents du jeu de données source. Cette asymétrie délibérée au sein de l’échantillon d’entraînement constitue un banc d’essai idéal pour éprouver la robustesse des fonctions de comptage, la restitution des cellules vides et la pertinence mathématique des distributions marginales qui seront générées tout au long des démonstrations suivantes.

3. Méthode 1 : Calcul du décompte total des valeurs avec l’agrégat ‘count’

3.1 Mise en œuvre technique du paramètre aggfunc=’count’

La méthode canonique pour opérer un dénombrement exhaustif des occurrences au sein d’un tableau croisé dynamique consiste à assigner la chaîne littérale ‘count’ au paramètre aggfunc de la fonction pivot_table. Lorsque cette configuration est exécutée, le moteur interne de Pandas traduit cette instruction textuelle en un appel vectorisé vers la méthode native Series.count() pour chaque sous-groupe partitionné. La syntaxe minimale requiert alors la désignation d’un index, d’une colonne de répartition et de la colonne supportant le comptage : pd.pivot_table(df, index=’Equipe’, columns=’Position’, values=’Points’, aggfunc=’count’).

Sur le plan opérationnel, l’itérateur partitionne le jeu de données selon les axes définis par l’index et les colonnes. Pour chaque partition géométrique ainsi délimitée, le système extrait la sous-série vectorielle désignée par l’argument values. L’algorithme applique ensuite l’opérateur de comptage d’éléments, transformant le vecteur local en un entier scalaire représentant l’effectif des valeurs observées. La concaténation de ces résultats scalaires forme la matrice de contingence finale, dans laquelle chaque coordonnée spatiale correspond rigoureusement au volume d’observations rattachables à l’intersection des deux modalités catégorielles.

Cette approche présente une concision syntaxique exceptionnelle, s’intégrant sans friction au sein de scripts analytiques automatisés. Elle permet d’obtenir quasi instantanément une cartographie volumétrique des données, particulièrement précieuse lors des phases de diagnostic exploratoire ou de validation d’échantillonnage expérimental. La matrice résultante préserve fidèlement les labels des dimensions originales, conférant au tableau une lisibilité immédiate qui facilite son interprétation statistique par les praticiens de la discipline étudiée.

3.2 Comportement du décompte face aux valeurs non nulles

L’évaluation rigoureuse des résultats issus de aggfunc=’count’ nécessite une compréhension approfondie de la sémantique formelle de l’opérateur count dans l’environnement Pandas. Contrairement à une intuition fréquente qui assimile le comptage au simple volume physique de lignes enregistrées, la méthode count() obéit à une règle d’inclusion stricte : elle dénombre exclusivement les observations non nulles (c’est-à-dire différentes de numpy.nan, pd.NA ou None). Toute valeur manquante résidant dans la colonne spécifiée par le paramètre values est automatiquement et silencieusement omise du décompte final pour la cellule concernée.

Ce mécanisme engendre une conséquence directe et potentiellement critique quant au choix de la colonne cible. Si l’analyste désigne une variable numérique comportant un taux élevé d’attrition ou de valeurs non renseignées — par exemple, une colonne de mesures physiologiques facultatives au sein d’un protocole expérimental —, le résultat généré par aggfunc=’count’ ne traduira pas le nombre total d’individus ou d’événements observés pour cette case, mais uniquement le nombre d’enregistrements où cette mesure spécifique a été effectivement documentée. L’exactitude du dénombrement dépend donc intimement de la complétude intrinsèque de la colonne assignée au paramètre values.

Pour contourner ce biais potentiel lorsqu’on cherche à dénombrer les lignes indépendamment de la complétude d’un attribut particulier, il est impératif de cibler une colonne dont l’intégrité est mathématiquement garantie, comme un identifiant primaire non nul ou une clé transactionnelle systématiquement renseignée. À défaut d’une telle variable d’intégrité absolue, l’analyste devra envisager l’emploi d’autres méthodes d’agrégation volumétrique, que nous expliciterons ultérieurement, afin de dissocier formellement la dimensionnalité globale du sous-ensemble de la présence de valeurs non nulles sur un attribut secondaire.

3.3 Interprétation statistique de la matrice résultante

Une fois le tableau croisé dynamique généré par l’application de aggfunc=’count’, la matrice d’effectifs constitue une table de contingence empirique. L’interprétation statistique de cette grille d’occurrences doit s’effectuer selon une double lecture : horizontale et verticale. La lecture horizontale permet d’appréhender le profil distributionnel d’une modalité d’index donnée à travers les différentes catégories de colonnes, tandis que la lecture verticale dévoile l’hétérogénéité des effectifs d’une colonne à travers les différentes strates de lignes. Cette confrontation croisée met immédiatement en relief les asymétries d’échantillonnage, les concentrations préférentielles et les éventuelles désaffections structurelles.

Dans un contexte d’analyse confirmatoire, l’identification des intersections prédominantes — cellules affichant les effectifs absolus les plus massifs — permet d’isoler les combinaisons de facteurs représentant le cœur de la population étudiée. Réciproquement, le repérage des cellules sous-représentées revêt une importance capitale : des effectifs marginaux excessivement faibles (par exemple inférieurs à cinq unités) posent des limites sévères à la validité d’éventuels tests inférentiels ultérieurs, à l’instar du classique test d’indépendance du Chi-deux de Pearson ou des modèles de régression logistique polytomique, qui présupposent des effectifs théoriques suffisants sous l’hypothèse nulle.

Enfin, le contrôle de la validité interne impose une étape systématique de réconciliation arithmétique. La somme intégrale de l’ensemble des cellules de la matrice d’effectifs doit faire l’objet d’une comparaison méthodique avec la taille totale de l’échantillon d’origine. Tout écart arithmétique entre la somme matricielle globale et le nombre d’enregistrements de la table initiale trahit irréfutablement la présence de valeurs manquantes au sein de la colonne de référence values ou l’omission d’enregistrements présentant des valeurs nulles sur les variables mêmes d’indexation ou de segmentation. Cette validation d’invariance d’effectif constitue un garde-fou méthodologique indispensable avant toute exploitation analytique approfondie.

4. Traitement rigoureux des données manquantes et des cellules sans occurrence

4.1 Origine et signification de l’apparition de NaN dans le tableau croisé

L’un des phénomènes les plus systématiques lors de la projection d’un ensemble de données relationnelles dans un espace matriciel bidimensionnel réside dans l’émergence d’indicateurs NaN (Not a Number) au sein de multiples cellules. L’apparition de ces valeurs non définies résulte de mécanismes statistiques et computationnels distincts qu’il convient de discriminer rigoureusement sous peine d’altérer l’interprétation des résultats. D’une part, un NaN peut traduire une absence absolue d’observations empiriques correspondant au croisement des deux modalités concernées dans le jeu de données initial. D’autre part, il peut refléter la présence d’observations préexistantes pour lesquelles l’attribut scalaire cible était lui-même non renseigné.

Dans le premier cas — le croisement de modalités totalement disjointes ou inobservées —, le partitionnement morphologique orchestré par Pandas isole une intersection vide d’éléments. L’algorithme se trouve dans l’incapacité d’appliquer l’opérateur de réduction à un ensemble dépourvu d’éléments statistiques. En vertu des conventions d’algèbre matricielle adoptées par Pandas et NumPy, la matrice résultante est initialisée avec des structures flottantes capables de représenter l’indétermination, assignant la valeur sentinelle np.nan à chaque coordonnée vide. Cette génération automatique est inhérente au processus de densification matricielle : l’espace creux des données de départ est matérialisé sous une forme tabulaire régulière.

Cette irruption de valeurs NaN exerce une incidence directe et pernicieuse sur le typage de l’ensemble de la structure matricielle. Dans les versions historiques de Pandas et l’architecture standard de NumPy, l’indicateur d’absence NaN est intrinsèquement modélisé comme un nombre à virgule flottante (float64). En conséquence, même si la fonction aggfunc=’count’ dénombre des effectifs discrets — qui relèvent par nature de l’ensemble des entiers naturels —, la simple présence d’un seul croisement vide dans l’ensemble de la table force la promotion de type de la colonne entière, voire de la matrice complète, vers le type flottant. Les effectifs d’observations se trouvent alors représentés sous la forme 1.0, 5.0 ou 12.0, une dégradation typologique qui complique le traitement ultérieur et contredit l’exactitude de la sémantique de dénombrement.

4.2 Substitution systématique à l’aide de l’argument fill_value

Face à cette problématique structurelle, l’architecture de la fonction pivot_table met à disposition un paramètre d’une efficacité remarquable : l’argument fill_value. Cet argument permet de stipuler explicitement une valeur scalaire de remplacement qui sera injectée nativement au moment même de l’instanciation de la cellule matricielle, avant même la finalisation du typage global des séries du tableau. Dans un protocole de dénombrement, la sémantique statistique de l’absence totale d’observation équivaut indiscutablement à un effectif nul. Par conséquent, l’instruction standardisée consiste à définir fill_value=0 au sein de l’appel de la fonction : pd.pivot_table(df, index=’Equipe’, columns=’Position’, values=’Points’, aggfunc=’count’, fill_value=0).

L’utilisation de ce paramètre transforme radicalement l’intégrité formelle du tableau croisé dynamique :

• Restauration de la précision mathématique : l’injection d’un zéro scalaire comble le vide informationnel, convertissant une cellule indéfinie en une information statistique positive signifiant « effectif observé égal à zéro ».
• Stabilisation du schéma typologique : en éliminant la nécessité d’héberger des objets NaN à virgule flottante, Pandas est en mesure de typer nativement l’ensemble de la matrice sous forme d’entiers purs (généralement int64), éliminant l’artéfact visuel et informatique des nombres décimaux appliqués à des comptages d’individus.
• Immunisation des calculs subséquents : la présence de zéros arithmétiques garantit que les opérations matricielles ultérieures — telles que la multiplication matricielle, les calculs de distances ou les transformations en tenseurs pour l’apprentissage statistique — s’exécutent sans nécessiter d’étapes défensives préalables de filtrage des valeurs manquantes.

Cette bonne pratique relève d’une hygiène algorithmique incontournable pour quiconque produit des tables de contingence destinées à la dissémination scientifique ou à l’intégration au sein de moteurs de production décisionnels.

4.3 Méthodes de nettoyage complémentaires post-agrégation

Bien que la paramétrisation préventive via fill_value soit la voie d’excellence, l’ingénierie des données impose parfois de manipuler des tableaux croisés dynamiques préexistants dont la structure matricielle comporte déjà des valeurs manquantes résiduelles. Dans ces circonstances, une séquence d’opérations curatives post-agrégation doit être déployée méthodiquement. La technique fondamentale repose sur l’invocation explicite de la méthode DataFrame.fillna(), appliquée directement sur l’objet résultant : table_agregee.fillna(0). Cette substitution a posteriori rétablit la présence du zéro arithmétique au sein de l’espace tabulaire.

Cependant, l’utilisation tardive de fillna() ne résout pas automatiquement le compromis typologique hérité lors de la création de la matrice : les colonnes ayant accueilli des NaN demeurent typées en flottants. Il est dès lors indispensable de procéder à une reconversion explicite de type (casting) à travers l’appel de la méthode astype(int) ou, de manière encore plus robuste dans l’écosystème moderne de Pandas, vers le type entier nullable ‘Int64’ (avec une majuscule distinctive). Cette instruction réaligne la structure binaire sous-jacente des séries avec la nature discrète des effectifs statistiques, optimisant simultanément l’empreinte en mémoire vive et l’élégance de la restitution.

Enfin, le traitement curatif peut exiger l’élagage des marges dégénérées. Il advient fréquemment que certains croisements se révèlent totalement stériles : des lignes entières ou des colonnes entières peuvent ne comporter que des valeurs nulles (ou des zéros d’effectif), traduisant le fait qu’une modalité donnée n’a jamais été observée dans l’échantillon ou qu’elle a été totalement neutralisée par des étapes de filtrage antérieures. L’analyste peut alors mobiliser la méthode DataFrame.dropna(how=’all’) préalablement à l’imputation, ou appliquer un masque booléen fondé sur la sommation axiale table.loc[table.sum(axis=1) > 0, table.sum(axis=0) > 0], permettant d’épurer la matrice de contingence de ses dimensions non informatives tout en préservant l’intégrité mathématique de l’analyse distributionnelle.

5. Méthode 2 : Calcul du décompte des valeurs uniques avec pd.Series.nunique

5.1 Fondement mathématique et utilité de la cardinalité unique

Dans un nombre considérable de scénarios empiriques, le dénombrement brut des enregistrements se révèle analytiquement insuffisant, voire profondément trompeur quant à la réalité sociologique ou physique du phénomène investigué. Considérons par exemple une base de données hospitalière enregistrant des admissions médicales, une plateforme de commerce électronique retraçant des paniers d’achat, ou un protocole d’observation éthologique compilant des comportements animaux. Dénombrer aveuglément les lignes transactionnelles revient à mesurer un volume d’activité ou une répétition d’actes, sans aucunement renseigner la diversité des agents ou des objets sous-jacents qui en sont la cause.

C’est ici qu’intervient la notion fondamentale de cardinalité unique, issue de la théorie axiomatique des ensembles. Calculer le décompte des valeurs uniques consiste à déterminer le cardinal d’un ensemble de valeurs discrètes après élimination rigoureuse de tout doublon au sein d’une partition donnée. Mathématiquement, pour un sous-espace d’observations associé à une cellule matricielle, la métrique ne renvoie plus la dimension totale du vecteur, mais le nombre d’éléments distincts constituant son support. Cette démarche permet de répondre à des interrogations analytiques d’une tout autre envergure : quel est le nombre d’individus ou de patients distincts ayant consulté dans un service donné ? Combien d’athlètes singuliers ont été alignés par une franchise sportive à un poste stratégique au cours d’une saison ?

La distinction opérationnelle entre volume transactionnel et diversité d’entités constitue l’un des piliers de l’analyse quantitative rigoureuse. Confondre ces deux métriques équivaut à commettre une faute méthodologique majeure : un volume de 10 000 interactions peut tout aussi bien traduire les agissements compulsifs d’un unique utilisateur automatisé que les contributions coordonnées de 10 000 usagers indépendants. L’évaluation de la cardinalité unique apporte cette dimension de discernement qualitatif indispensable à l’évaluation de la dispersion et de l’étendue réelle d’un phénomène au sein d’une structure croisée.

5.2 Syntaxe et exécution de l’agrégation avec pd.Series.nunique

Pour implémenter cette opération de dénombrement non redondant au sein d’un tableau croisé dynamique, la bibliothèque Pandas ne permet pas de se contenter d’un mot-clé élémentaire standardisé comme ‘count’, mais requiert l’injection explicite d’un objet fonctionnel spécialisé. La méthode de référence consiste à passer la fonction vectorisée pd.Series.nunique — ou sa référence directe non liée — en tant qu’argument du paramètre aggfunc : pd.pivot_table(df, index=’Equipe’, columns=’Position’, values=’Athlète_ID’, aggfunc=pd.Series.nunique, fill_value=0).

L’exécution de cette syntaxe déclenche une machinerie algorithmique hautement sophistiquée :

• Sélection et partitionnement : le moteur de Pandas subdivise le tableau d’origine en conformité avec la grille de croisement spécifiée par index et columns, puis isole la sous-série vectorielle désignée par values (dans notre illustration, les identifiants d’athlètes).
• Déduplication par table de hachage : pour chaque partition locale, la méthode nunique() soumet le vecteur à une routine d’unicité basée sur une table de hachage (hash table), enregistrant chaque nouvelle valeur rencontrée et ignorant les redondances ultérieures.
• Agrégation scalaire : le nombre total de clés uniques insérées dans la structure de hachage est retourné sous forme scalaire et alloué à la cellule correspondante du tableau de contingence.

Cette exécution garantit une étanchéité absolue entre la fréquence brute de survenue et la représentativité des entités individuelles.

Dans l’application pratique à notre jeu de données expérimental, cette approche permet d’observer immédiatement la structure de rotation de l’effectif. Là où le paramétrage précédent avec aggfunc=’count’ indiquait qu’une équipe accumulait un nombre massif de prestations à la position de Garde, l’instruction aggfunc=pd.Series.nunique appliquée sur l’identifiant des joueurs révèle instantanément si cette présence relève de la surutilisation d’un unique joueur titulaire ou de la rotation dynamique d’une multitude de remplaçants. L’enrichissement sémantique de l’analyse descriptive est substantiel.

5.3 Variantes syntaxiques : fonctions anonymes et expressions lambda

L’architecture flexible de Pandas offre d’autres voies syntaxiques pour parvenir à l’évaluation de l’unicité, notamment via la déclaration de fonctions anonymes ou d’expressions lambda. Bien que l’invocation directe de pd.Series.nunique soit généralement préférable en termes de compacité, l’écriture d’une expression personnalisée — par exemple aggfunc=lambda x: x.nunique() — ouvre la voie à un contrôle paramétrique beaucoup plus granulaire. Cette approche permet notamment de moduler explicitement la gestion des données manquantes lors du calcul de la cardinalité.

Par défaut, la méthode interne nunique() applique le paramètre formel dropna=True, signifiant qu’elle exclut scrupuleusement la valeur NaN du décompte des entités distinctes. Toutefois, dans certains protocoles scientifiques — particulièrement en sociologie ou dans les sciences du comportement —, l’omission d’une réponse ou la non-renseignement d’un statut constitue en soi une modalité informationnelle valide qu’il convient de comptabiliser comme un état unique parmi d’autres. L’expression lambda permet de forcer la prise en compte de cet état indéfini : aggfunc=lambda x: x.nunique(dropna=False).

Néanmoins, sur le plan de la rigueur de développement et des performances informatiques, il convient de souligner que l’utilisation d’expressions lambda anonymes génère une surcharge interprétative sensible (overhead d’appel de fonction Python) par rapport à l’emploi des fonctions C-optimisées de base. De surcroît, la lisibilité du code au sein de grands référentiels collaboratifs se trouve amoindrie lorsque des fonctions génériques sont redéfinies localement sans justification impérieuse. Il est donc recommandé de réserver les formes anonymes aux cas stricts où un paramétrage non standard — comme le refus du dropna ou l’adjonction de filtres conditionnels locaux — s’avère méthodologiquement indispensable.

6. Comparaison approfondie : ‘count’, ‘size’ et pd.Series.nunique

6.1 Divergences méthodologiques face aux valeurs nulles

L’une des zones d’ombre les plus fréquentes dans la pratique de l’agrégation de données tabulaires réside dans la confusion récurrente entre les agrégats ‘count’, ‘size’ et l’opérateur pd.Series.nunique. Bien que ces trois approches convergent formellement vers la restitution d’un effectif scalaire au sein de chaque cellule du tableau croisé, leurs postulats méthodologiques respectifs, et particulièrement leur sensibilité face aux valeurs manquantes (NaN), obéissent à des logiques divergentes qu’il est indispensable de clarifier.

Comme énoncé précédemment, ‘count’ effectue une inspection sélective : il évalue un vecteur spécifique d’une colonne donnée et comptabilise exclusivement les cellules physiques qui portent une donnée valide, éludant d’office toute absence d’information. En antithèse absolue, l’opérateur de dimensionnalité ‘size’ — lorsqu’il est employé comme opérateur d’agrégation — ne s’intéresse aucunement à la substance ou à la qualité du contenu des cellules. Il mesure la dimension structurelle brute de la partition, c’est-à-dire le nombre total d’enregistrements physiques rattachables à l’intersection géométrique, qu’ils soient constitués de valeurs valides, de chaînes vides ou de sentinelles NaN. Enfin, pd.Series.nunique opère une double opération : il procède d’abord au filtrage des redondances pour isoler les instances distinctes, puis applique par défaut l’exclusion de l’indicateur d’absence.

Le tableau ci-dessous illustre conceptuellement les divergences d’évaluation de ces trois opérateurs lorsqu’ils sont confrontés à un vecteur local composé des éléments [A, A, B, NaN, NaN] :

• Opérateur ‘size’ : retourne rigoureusement 5, mesurant l’intégralité du sous-espace d’observations sans discrimination de contenu.
• Opérateur ‘count’ : retourne 3, dénombrant les trois éléments formellement définis tout en expurgeant les deux valeurs nulles.
• Opérateur pd.Series.nunique : retourne 2, identifiant la présence des deux modalités uniques distinctes A et B, tout en écartant à la fois les duplications et les absences de données.

Cette divergence montre avec évidence qu’un usage interchangeable de ces fonctions conduit inévitablement à des distorsions analytiques sévères, chaque opérateur répondant à une définition ontologique profondément dissemblable de ce qu’est un « effectif ».

6.2 Tableau synoptique des mécanismes d’évaluation

Afin de synthétiser les caractéristiques techniques et opérationnelles de ces instruments d’agrégation, il est utile de confronter leurs mécanismes selon les critères fondamentaux qui régissent l’exécution algorithmique au sein de pd.pivot_table(). Le tableau synoptique suivant formalise les divergences d’exigences, de traitement et de rendu entre ‘count’, ‘size’ et nunique :

Exigence du paramètre ‘values’ :

• ‘count’ : Impératif. La fonction doit nécessairement savoir sur quelle série spécifique porter son évaluation des valeurs non nulles.
• ‘size’ : Indifférent ou superflu. La dimension structurelle étant uniforme pour l’ensemble des colonnes d’une même partition de lignes, l’évaluation du volume dépend de la table globale et non d’une variable scalaire particulière.
• pd.Series.nunique : Impératif. L’évaluation de l’unicité des modalités ne peut s’effectuer que sur les valeurs concrètes d’une colonne vectorielle désignée.

Sensibilité aux valeurs manquantes (NaN) :

• ‘count’ : Élimination systématique et non paramétrable des observations manquantes dans la colonne cible.
• ‘size’ : Immunité totale ; inclusion exhaustive de tous les enregistrements quelle que soit leur complétude.
• pd.Series.nunique : Élimination par défaut des valeurs manquantes, modulable par l’argument dropna=False au sein d’une fonction encapsulée.

Nature de la grandeur résultante :

• ‘count’ : Fréquence empirique brute d’attributs observables (effectif présentiel).
• ‘size’ : Volume topologique brut d’enregistrements partitionnés (effectif structurel).
• pd.Series.nunique : Diversité ou cardinalité distincte de la distribution (richesse catégorielle).

La sélection rigoureuse de l’opérateur d’agrégation doit résulter d’une adéquation parfaite entre ces spécificités algorithmiques et l’intention analytique formelle énoncée dans le protocole expérimental.

6.3 Conséquences sur l’interprétation des résultats statistiques

Les conséquences interprétatives d’un arbitrage erroné entre ces mécanismes d’agrégation s’avèrent considérables, particulièrement dans les travaux de recherche où les tableaux croisés alimentent des inférences statistiques secondaires ou des décisions stratégiques majeures. L’un des biais les plus prégnants réside dans la surévaluation systématique de la représentativité d’une sous-population lorsque l’analyste emploie par inadvertance l’opérateur ‘count’ en lieu et place d’un calcul de cardinalité unique.

Prenons le cas exemplaire de l’évaluation de la sinistralité en science actuarielle ou de l’analyse des incidents techniques en milieu industriel. Si un analyste construit un tableau croisé dynamique croisant les types d’équipements et les sites opérationnels en assignant aggfunc=’count’ à l’identifiant des pannes, la cellule matricielle affichant un chiffre spectaculaire de 500 pannes peut induire la conclusion hâtive d’une instabilité généralisée du parc de machines. Or, si un dénombrement de valeurs distinctes via pd.Series.nunique appliqué sur l’identifiant des machines matérielles révèle un effectif de 2, la réalité empirique sous-jacente change radicalement de nature : le parc global est parfaitement robuste, mais deux unités isolées ont subi des défaillances récurrentes en cascade. L’interprétation phénoménologique est diamétralement opposée.

De même, substituer indifféremment ‘size’ et ‘count’ au sein d’une base de données d’enquêtes sociologiques comportant des taux de non-réponse différentiels induit une altération invisible de l’échantillon. La métrique ‘size’ donnera l’illusion d’une couverture empirique massive en comptabilisant les questionnaires vierges, tandis que ‘count’ traduira le niveau réel d’adhésion cognitive des participants à la question posée. Dans tout compte rendu de recherche scientifique, la documentation explicite de la méthode d’agrégation retenue s’impose donc comme une obligation déontologique, assurant que l’audience puisse distinguer sans ambiguïté la volumétrie brute de l’activité, l’effectif valide observé et la diversité intrinsèque des entités étudiées.

7. Structuration multi-niveaux et indexation hiérarchique complexe

7.1 Intégration d’index multiples en lignes (MultiIndex)

La puissance analytique de la fonction pivot_table se déploie pleinement dès lors qu’elle est mobilisée pour décomposer des phénomènes transcendant la simple relation bidimensionnelle élémentaire. L’analyse de systèmes complexes requiert fréquemment de stratifier les observations selon plusieurs dimensions imbriquées en lignes. L’architecture de Pandas répond à cette exigence méthodologique par l’intermédiaire de sa structure d’indexation hiérarchique, universellement désignée sous le nom de MultiIndex.

Pour instancier une telle structuration au sein du protocole de dénombrement, il suffit de transmettre une liste séquentielle de noms de variables au paramètre index : pd.pivot_table(df, index=[‘Division’, ‘Equipe’], columns=’Position’, values=’Athlète_ID’, aggfunc=’count’, fill_value=0). Lors de l’exécution, le moteur réorganise verticalement la matrice en instaurant un emboîtement arborescent formel. Chaque ligne n’est plus étiquetée par une clé scalaire isolée, mais par un tuple ordonné représentant le cheminement ontologique au sein de la hiérarchie des données (par exemple, (‘Division Ouest’, ‘Alpha’)).

L’exploitation analytique de cette structure hiérarchique s’appuie sur la précision des accesseurs vectorisés de Pandas, au premier rang desquels figurent les méthodes .loc et .xs (cross-section) :

• Sélection ciblée par .loc : elle autorise l’extraction directe d’un bloc matriciel spécifique en soumettant un tuple partiel ou complet, permettant par exemple d’isoler l’intégralité des statistiques de dénombrement de la ‘Division Ouest’ d’une simple instruction.
• Extraction transverse par .xs : cette méthode permet de trancher orthogonalement à travers l’index hiérarchique sans altérer la cohérence du tableau. Un analyste peut ainsi extraire instantanément le sous-tableau rassemblant toutes les équipes portant le label ‘Alpha’, indépendamment de la division d’appartenance à laquelle elles sont rattachées au niveau supérieur de l’arborescence.

Cette flexibilité structurelle confère au tableau croisé dynamique les attributs d’un véritable cube de données multidimensionnel (type OLAP), opérable de manière fluide sans recourir à des architectures de bases de données relationnelles lourdes.

7.2 Croisement avec plusieurs variables colonnes

Symétriquement à la hiérarchisation verticale en lignes, l’argument columns de pivot_table accepte également une séquence ordonnée de variables, permettant de déployer un index hiérarchique sur l’axe horizontal. Cette disposition matricielle autorise une décomposition granulaire particulièrement puissante lorsqu’il s’agit de croiser simultanément deux facteurs explicatifs secondaires. Imaginons que l’on souhaite observer la distribution des effectifs non seulement selon la variable ‘Position’, mais en subdivisant chaque position selon le ‘Statut Contractuel’ de l’athlète (par exemple Titulaire versus Remplaçant).

L’instruction s’articule naturellement sous la forme : pd.pivot_table(df, index=’Equipe’, columns=[‘Position’, ‘Statut’], values=’Athlète_ID’, aggfunc=’count’, fill_value=0). L’en-tête horizontal de la matrice résultante adopte immédiatement une architecture étagée à deux niveaux : chaque catégorie primaire de position englobe les sous-colonnes relatives aux statuts contractuels associés. Cette projection géométrique projette ainsi quatre dimensions de données (l’équipe, la position, le statut et l’effectif agrégé) sur un plan de visualisation rigoureusement bidimensionnel.

Toutefois, la manipulation programmatique de ces en-têtes complexes peut s’avérer ardue lors des phases de post-traitement, notamment pour exporter les résultats vers des systèmes de restitution documentaire ou des formats tabulaires plats (CSV, SQL). Il devient alors souvent opportun de procéder à un aplatissement (flattening) des colonnes hiérarchiques. Cette opération s’exécute avec élégance par une compréhension de liste combinant les niveaux d’étiquettes en une chaîne concaténée unique : table.columns = [‘_’.join(col).strip() for col in table.columns.values]. Cette normalisation syntaxique préserve l’information multidimensionnelle acquise tout en réinitialisant un index de colonnes plat, facilitant l’ingestion par les générateurs de rapports ou les outils de visualisation.

7.3 Dénombrement conjoint sur plusieurs variables de valeurs

L’un des raffinements structurels les plus méconnus de la fonction pivot_table concerne la possibilité d’assigner une collection de variables hétérogènes au paramètre values, tout en conservant une fonction de dénombrement uniforme. Cette approche trouve sa pertinence méthodologique lorsque l’on souhaite comparer simultanément la représentativité ou la complétude d’observation de plusieurs attributs distincts à travers une même grille de contingence.

Considérons l’appel suivant : pd.pivot_table(df, index=’Equipe’, columns=’Position’, values=[‘Points’, ‘Fautes_Comprises’, ‘Évaluation_Médicale’], aggfunc=’count’, fill_value=0). Dans cette configuration, le moteur de Pandas génère automatiquement un niveau hiérarchique supérieur sur l’axe des colonnes, qui vient coiffer la variable de colonnes originale ‘Position’. Pour chaque variable mentionnée dans la liste values, le système produit un bloc sous-matriciel dédié exposant les effectifs spécifiques d’observations non nulles dénombrées pour cette grandeur.

Cette disposition analytique conjointe présente un intérêt diagnostique exceptionnel :

• Audit comparatif de complétude : elle offre une vue panoramique immédiate permettant d’observer si, pour une intersection donnée (par exemple l’équipe Beta au poste de Pivot), la volumétrie d’évaluation médicale présente des lacunes par rapport au nombre de points effectivement enregistrés.
• Détection des discordances d’observation : elle évite la dispersion en multiples tables isolées en regroupant dans un cadre référentiel unifié l’intégralité des dimensions de validation d’un protocole expérimental.
• Rationalisation du code : une unique instruction d’agrégation se substitue à des séries d’itérations redondantes, réduisant la verbosité du pipeline et garantissant une exécution synchronisée sur l’espace mémoire global du DataFrame.

Cette technique illustre comment l’indexation hiérarchique de Pandas transforme un simple décompte en un outil avancé d’audit structurel des données empiriques.

8. Agrégations composites et comptages multiples simultanés

8.1 Définition d’un dictionnaire d’agrégation personnalisé

L’une des fonctionnalités les plus puissantes de l’architecture d’agrégation sous Pandas réside dans la faculté d’associer des opérateurs statistiques distincts à des variables dépendantes spécifiques au sein d’une seule et même invocation de pivot_table. Cette flexibilité avancée repose sur la transmission d’un dictionnaire d’agrégation au paramètre aggfunc. Cette méthodologie brise la contrainte d’uniformité du calcul scalaire, permettant à l’analyste d’adapter rigoureusement l’opérateur mathématique à la nature phénoménologique de chaque variable étudiée.

La formulation syntaxique de cette approche s’articule comme suit : pd.pivot_table(df, index=’Equipe’, columns=’Position’, aggfunc={‘Points’: ‘count’, ‘Athlète_ID’: pd.Series.nunique}, fill_value=0). Dans cette configuration, l’argument formel values devient implicitement gouverné par les clés du dictionnaire transmis à aggfunc. L’algorithme déploie alors une stratégie de calcul différentielle pour chaque intersection de la matrice : il opère le décompte brut des événements enregistrés sur la série quantitative des points inscrits, tout en mobilisant en parallèle l’algorithme d’unicité sur l’identifiant des sportifs.

L’exploitation conjointe des données ainsi générées enrichit considérablement le spectre analytique de la synthèse croisée. Au sein d’une même structure tabulaire unifiée, le chercheur a accès simultanément à la volumétrie totale de l’activité (fournie par ‘count’ sur les points) et à l’étendue de la population distincte ayant généré cette activité (démontrée par nunique sur les identifiants). Cette contextualisation immédiate de l’intensité moyenne d’activité par unité singulière — facilement dérivable par une division vectorielle des deux sous-matrices — élimine la nécessité de construire des tables disparates et d’en assurer la réconciliation manuelle a posteriori.

8.2 Application simultanée de plusieurs fonctions sur une même variable

Au-delà de la distribution d’opérateurs sur des variables différentes, il s’avère fréquemment impératif d’évaluer une variable quantitative ou catégorielle unique sous le prisme de multiples opérateurs scalaires simultanés. La bibliothèque Pandas autorise cette pratique en acceptant une liste d’opérateurs au sein du paramètre aggfunc appliqué à une colonne cible désignée. Cette approche permet de confronter le dénombrement avec d’autres propriétés de la distribution empirique.

Considérons l’instruction : pd.pivot_table(df, index=’Equipe’, columns=’Position’, values=’Points’, aggfunc=[‘count’, pd.Series.nunique, ‘mean’], fill_value=0). L’exécution de cette directive induit une décomposition structurelle hautement élaborée : Pandas instancie une hiérarchie de colonnes à deux niveaux, où le niveau sommital est étiqueté par les fonctions d’agrégation invoquées (count, nunique, mean), tandis que le sous-niveau reproduit les modalités de la variable catégorielle ‘Position’. Pour chaque case de la grille, l’observateur dispose immédiatement :

• Du volume brut des observations non nulles (count).
• De la diversité des valeurs distinctes enregistrées au sein de la série (nunique).
• Du centre de gravité arithmétique de la métrique considérée (mean).

Cette mise en regard simultanée offre une profondeur diagnostique immédiate. Si la moyenne des points apparaît élevée pour un croisement spécifique, la proximité des colonnes count et nunique permet de vérifier instantanément si cette tendance repose sur un échantillon d’observations robuste et varié, ou si elle constitue un artéfact statistique alimenté par un effectif infime répétant la même valeur singulière. Cette méthodologie condense sur un format tabulaire rigoureux les exigences de validité interne indispensables à toute publication scientifique ou rapport analytique de haut niveau.

8.3 Normalisation et conversion en distributions relatives

L’obtention d’une table d’effectifs absolus ne constitue bien souvent que la première étape du protocole d’analyse distributionnelle. Pour comparer valablement des populations dont les tailles d’échantillons globales sont disparates, l’analyste doit impérativement transformer les effectifs discrets en proportions relatives ou en pourcentages standardisés. Si la fonction pivot_table ne propose pas d’argument direct de normalisation dans sa signature originelle, l’architecture matricielle de Pandas permet d’accomplir cette conversion avec une efficacité mathématique remarquable via l’opérateur de division vectorisée DataFrame.div().

La normalisation peut emprunter plusieurs directions géométriques selon l’hypothèse de recherche :

• Normalisation selon les profils de lignes : pour déterminer la part relative occupée par chaque position au sein d’une équipe donnée, on divise chaque cellule par la somme de sa ligne respective : table.div(table.sum(axis=1), axis=0) * 100. La somme horizontale de chaque ligne égale alors rigoureusement 100 %.
• Normalisation selon les profils de colonnes : pour analyser comment les effectifs d’une position spécifique se ventilent entre les différentes équipes concurrentes, la division s’opère par rapport à la somme axiale verticale : table.div(table.sum(axis=0), axis=1) * 100.
• Normalisation sur la population totale : pour convertir l’intégralité de la matrice de contingence en probabilités conjointes globales empiriques, on divise l’ensemble des cellules par la somme scalaire totale du tableau : table / table.values.sum().

Il convient de noter la complémentarité structurelle entre cette approche et la fonction pd.crosstab() de Pandas. Spécifiquement dédiée à la confection de tables de contingence d’effectifs, crosstab intègre nativement un argument normalize acceptant les valeurs ‘index’, ‘columns’ ou ‘all’. Toutefois, là où crosstab recalcule l’intégralité de la matrice depuis les séries d’origine, le chaînage de pivot_table().div() au sein d’une méthode fluide (pipeline via la méthode .pipe()) permet de préserver les optimisations mémorielles et de conjuguer des normalisations personnalisées avec des agrégations composites préalables.

9. Intégration des totaux marginaux et calculs de sous-totaux avec margins

9.1 Activation et configuration du paramètre margins

Dans l’analyse des tables de contingence, l’examen des distributions conditionnelles ne saurait être dissocié de l’évaluation des distributions marginales. Les totaux marginaux représentent la sommation ou l’agrégation globale des observations opérée le long des axes horizontaux et verticaux de la matrice, restituant la représentativité univariée de chaque variable indépendamment des strates imposées par l’autre. La fonction pivot_table intègre une solution logicielle native d’une grande élégance pour calculer et insérer automatiquement ces totaux périphériques : l’activation du paramètre booléen margins=True.

Lorsque cette directive est enclenchée, le moteur d’agrégation procède à l’adjonction systématique d’une ligne récapitulative finale ainsi que d’une colonne terminale, traditionnellement assignées par défaut à l’étiquette textuelle ‘All’. L’instruction peut être personnalisée de manière éditoriale en utilisant l’argument subsidiaire margins_name, permettant d’adapter la sémantique de désignation aux standards de la publication ciblée (par exemple margins_name=’Total Effectif’) : pd.pivot_table(df, index=’Equipe’, columns=’Position’, values=’Athlète_ID’, aggfunc=’count’, fill_value=0, margins=True, margins_name=’Total’).

Le comportement algorithmique présidant à la confection de ces marges requiert une précision conceptuelle fondamentale : la ligne et la colonne de totalisation ne sont pas le fruit d’une simple sommation arithmétique a posteriori des cellules déjà calculées au sein de la matrice. Le moteur d’agrégation réapplique formellement la fonction désignée par aggfunc sur l’ensemble des données brutes afférentes à la tranche marginale complète. Cette rigueur computationnelle garantit que la logique d’agrégation originelle — qu’elle soit linéaire ou non linéaire — est rigoureusement respectée lors de la synthèse des ensembles périphériques.

9.2 Vérification mathématique de la cohérence des marges

La préservation du mécanisme de réévaluation formelle lors de la confection des marges prend une dimension critique dès lors que l’on manipule des fonctions d’agrégation non additives. Si, lors de l’emploi de l’opérateur linéaire standard aggfunc=’count’, la marge périphérique correspond parfaitement à la somme des effectifs calculés sur chaque rangée (propriété d’additivité élémentaire : la somme des parties égale le grand total), ce principe s’effondre totalement lorsque l’on applique l’évaluation de la cardinalité unique via pd.Series.nunique.

Ce phénomène constitue l’un des pièges mathématiques les plus redoutables pour les analystes inattentifs. Illustrons ce point par une dynamique concrète : supposons qu’un athlète polyvalent au sein de l’équipe Alpha ait été mobilisé au cours de la saison sportive successivement au poste de Garde et au poste d’Ailier.

• Dans la cellule croisant Alpha et Garde, cet athlète unique génère un effectif de 1.
• Dans la cellule croisant Alpha et Ailier, il engendre également un effectif distinct de 1.
• Une sommation arithmétique naïve des cellules de la ligne prédirait une marge globale de 2 athlètes.

Or, l’exécution rigoureuse de margins=True sous aggfunc=pd.Series.nunique appliquera la déduplication sur l’intégralité du sous-ensemble de l’équipe Alpha : l’athlète n’étant présent qu’une seule fois dans la population des joueurs de l’équipe, la marge affichera irrévocablement la valeur 1.

Par conséquent, dans un tableau croisé dynamique évaluant l’unicité des valeurs, la somme arithmétique des cases d’une ligne ou d’une colonne ne doit presque jamais être égale au montant affiché dans la marge terminale. Cette non-additivité n’est en aucun cas une anomalie computationnelle ou un bogue logiciel ; elle représente l’expression mathématiquement exacte de la théorie des ensembles (le cardinal de l’union d’ensembles non disjoints étant strictement inférieur à la somme des cardinaux individuels : $|A cup B| = |A| + |B| – |A cap B|$). L’analyste doit impérativement documenter cette réalité dans ses rapports afin de prévenir toute incompréhension méthodologique de la part des relecteurs.

9.3 Filtrage et exploitation des distributions marginales

L’adjonction structurelle de marges périphériques au sein d’un DataFrame agrégé introduit des vecteurs récapitulatifs dont l’exploitation peut être isolée pour alimenter des modèles secondaires ou des représentations sélectives. En premier lieu, l’extraction chirurgicale des marges permet de dissocier le corps principal de la table de contingence de son armature périphérique. Cette manipulation s’avère nécessaire pour réinjecter les données matricielles dans des algorithmes de factorisation, des analyses des correspondances multiples (ACM) ou pour générer des visualisations dont l’échelle chromatique risquerait d’être faussée par l’amplitude prédominante des totaux marginaux.

L’extraction de la distribution marginale s’opère élégamment via l’indexation par étiquette :

• Pour isoler le vecteur marginal horizontal des totaux par ligne : table_sans_marge = table.drop(index=’Total’, columns=’Total’), combiné avec marge_colonnes = table.loc[‘Total’, :].drop(‘Total’).
• Cette scission permet de transformer immédiatement la distribution marginale en un vecteur de pondération probabiliste univarié : $P(Position) = \frac{\text{Marge}}{\text{Grand Total}}$.

De surcroît, la surveillance formelle du « Grand Total » — matérialisé par la cellule terminale située à l’intersection de la ligne marginale et de la colonne marginale — sert de thermomètre de validation intégrale. Quel que soit le degré de complexité du tableau, cette valeur unique doit refléter avec exactitude la cardinalité totale de la métrique mesurée à l’échelle de l’univers d’échantillonnage entier. L’analyste dispose ainsi d’un instrument d’audit permanent assurant qu’aucun partitionnement intempestif n’a altéré la masse volumétrique de l’étude quantitative.

10. Optimisation des performances sur des volumétries massives

10.1 Impact du type de données sur l’empreinte mémoire et la vitesse

Lorsque le volume d’enregistrements à traiter franchit l’échelle des dizaines ou centaines de millions de lignes — situation courante dans l’ingénierie des données massives, la télémétrie de serveurs ou la bioinformatique —, l’exécution naïve d’un tableau croisé dynamique peut saturer les ressources mémorielles et induire des temps d’attente prohibitifs. L’optimisation algorithmique fondamentale repose sur la rationalisation préalable du typage des données (data typing), particulièrement pour les variables vouées à structurer les axes de partitionnement (index et columns).

Par défaut, l’ingestion de chaînes de caractères textuelles sous Pandas instancie des séries typées sous le format générique object ou le nouveau type string. Chaque modalité textuelle est alors allouée sous la forme d’un pointeur vers une structure mémoire indépendante en langage CPython, ce qui génère une surcharge mémorielle et pénalise lourdement les opérations de comparaison lors du tri et du regroupement par tables de hachage. La conversion préalable et systématique de ces variables descriptives en types catégoriels explicites via l’instruction df[‘Variable’] = df[‘Variable’].astype(‘category’) produit des gains de performance spectaculaires.

Sur le plan structurel, le type category substitue aux chaînes redondantes un dictionnaire d’entiers compacts encodés sur 8 ou 16 bits, accompagné d’une table de correspondance unique. Lors de l’invocation subséquente de pivot_table, les opérations internes de scission (groupby) s’exécutent sur ces entiers optimisés au niveau matériel, démultipliant la vitesse de calcul d’agrégation d’un facteur pouvant atteindre 5 à 10 fois tout en réduisant l’empreinte en mémoire vive (RAM) de plus de 80 %. Enfin, pour le stockage des résultats de comptage, l’usage des entiers natifs signés compacts (tels que int32 ou UInt32 si l’absence de valeurs négatives est garantie) parachève l’optimisation en limitant l’expansion de la matrice finale.

10.2 Comparatif computationnel : pivot_table vs crosstab vs groupby

Face à un objectif de dénombrement pur, le développeur Python dispose formellement de trois trajectoires syntaxiques au sein de Pandas : pd.pivot_table(), pd.crosstab(), et la séquence vectorisée DataFrame.groupby().agg().unstack(). Bien que conduisant à des résultats visuellement et mathématiquement indiscernables, leurs architectures computationnelles respectives révèlent des profils de performance asymétriques sur des volumétries massives.

Une analyse approfondie du code source de Pandas dévoile que la fonction pd.crosstab() constitue en réalité une enveloppe de haut niveau (wrapper) qui réoriente la majorité de ses calculs internes vers pivot_table() après avoir préalablement validé et converti les séries d’entrée en facteurs catégoriels. Dès lors, pour un décompte simple sans normalisation automatique, crosstab() affiche généralement une légère pénalité de temps d’exécution par rapport à pivot_table() en raison de cette surcouche interprétative additionnelle.

En revanche, la confrontation entre pivot_table() et la formulation directe groupby().agg().unstack() tourne quasi systématiquement à l’avantage computationnel de cette dernière. La fonction pivot_table() intègre un ensemble étendu de contrôles défensifs, de vérifications d’uniformité de types et de routines de normalisation de formes qui alourdissent l’exécution. En composant manuellement la séquence analytique :

1. Regroupement vectorisé ciblé : df.groupby([‘Equipe’, ‘Position’], observed=True)[‘Points’].count()
2. Dépliement matriciel horizontal : .unstack(fill_value=0)

l’analyste court-circuite l’infrastructure générique de pivot_table. Cette approche chirurgicale se révèle nettement plus rapide sur des corpus comptant plusieurs millions de lignes, s’imposant comme le modèle programmatique à privilégier au sein de pipelines de traitement par lots où la latence d’exécution constitue une contrainte critique.

10.3 Gestion de la mémoire et stratégies de calcul par morceaux (chunking)

Lorsque la dimensionnalité du jeu de données brut excède la capacité d’accueil de la mémoire vive physique de la machine locale, la tentative d’exécuter un tableau croisé dynamique en une seule passe globale conduit inévitablement à un plantage critique du processus (erreur MemoryError ou déclenchement du mécanisme OOM Killer du système d’exploitation). Pour traiter ces volumes extrêmes sans dépendre d’infrastructures distribuées lourdes, il est impératif d’adopter une stratégie de calcul par morceaux (chunking).

Cette méthodologie d’ingénierie repose sur la décomposition du flux séquentiel en blocs de données maîtrisés, orchestrée par le paramètre chunksize lors de la lecture des fichiers sources (par exemple via pd.read_csv(fichier, chunksize=500_000)). Pour chaque morceau ingéré, le script applique une opération de réduction locale intermédiaire — idéalement un groupby() restreint aux dimensions d’analyse — afin de générer un sous-total d’occurrences. Les étapes s’articulent ainsi :

• Agrégation partielle locale : chaque segment de données est condensé, transformant des centaines de milliers d’enregistrements bruts en une table intermédiaire compacte de quelques dizaines de lignes.
• Accumulation des agrégats : les résultats partiels sont concaténés séquentiellement au sein d’une structure d’accumulation globale : accumulateur = pd.concat([accumulateur, aggregation_partielle]).
• Consolidation finale et pivotement : une sommation terminale regroupe les sous-totaux identiques avant d’invoquer l’opération morphologique finale .unstack(fill_value=0) pour ériger la matrice finale.

Cette approche garantit que l’empreinte mémoire maximale du processus n’excède jamais la taille allouée à un unique fragment, autorisant l’extraction de tableaux croisés dynamiques précis sur des corpus pesant plusieurs dizaines de gigaoctets avec une configuration matérielle modeste. De surcroît, le nettoyage explicite des structures temporaires et la sollicitation périodique du ramasse-miettes (garbage collector via le module natif gc.collect()) parfont cette hygiène logicielle indispensable au traitement industriel de données scientifiques.

11. Applications empiriques et études de cas en recherche quantitative

11.1 Cas pratique 1 : Analyse des comportements dans les protocoles expérimentaux

Afin d’ancrer ces développements conceptuels dans la réalité empirique, examinons le dépouillement d’un protocole de recherche en psychologie cognitive expérimentale. L’expérience vise à mesurer la conformité des réponses comportementales fournies par des participants soumis à différentes conditions d’amorçage cognitif (amorçage visuel neutre, congruent ou incongruent). Les données transactionnelles brutes répertorient chaque essai individuel, l’identifiant du sujet, le groupe assigné (contrôle ou expérimental), la condition d’exposition et la nature de la réponse motrice (succès, échec ou temps de latence dépassé).

Dans ce contexte expérimental, la confection d’un tableau croisé dynamique avec décompte des valeurs remplit un rôle diagnostique déterminant. L’analyste configure la fonction de synthèse pour croiser le groupe expérimental et le type de condition en lignes, tout en déployant la typologie de réponse comportementale en colonnes. L’application de aggfunc=’count’ sur l’identifiant des essais permet d’obtenir la cartographie absolue de l’ensemble des essais menés à bien. Simultanément, l’analyste intègre une agrégation par pd.Series.nunique sur l’identifiant des sujets d’étude.

La confrontation de ces deux mesures matricielles s’avère révélatrice :

• Elle permet d’authentifier la validité interne du protocole en confirmant que l’effectif total d’essais enregistrés dans chaque case ne résulte pas de la participation compulsive d’un nombre restreint de sujets, mais d’une couverture homogène de l’ensemble de la cohorte.
• Elle met immédiatement en évidence les conditions expérimentales générant une déperdition d’essais (taux élevé de latences dépassées) au sein de groupes spécifiques, orientant l’ajustement du protocole expérimental.
• Le tableau consolidé est alors immédiatement exploitable pour être exporté vers des environnements de modélisation inférentielle, à l’instar des packages d’équations structurelles sous le langage statistique R ou Statsmodels sous Python.

11.2 Cas pratique 2 : Dépouillement d’enquêtes psychométriques et sociologiques

Le second cas pratique illustre le dépouillement méthodologique d’un sondage sociologique national portant sur la perception de l’innovation technologique, administré auprès d’un échantillon stratifié de plusieurs milliers de citoyens. Les instruments de mesure reposent sur des questionnaires intégrant de multiples questions construites selon des échelles ordinales de type Likert (allant de « Tout à fait d’accord » à « Tout à fait en désaccord », en passant par des modalités neutres et des options d’abstention).

Le traitement analytique de ces données requiert une stratification fine croisant des variables sociodémographiques en lignes (par exemple les tranches d’âge croisées avec le niveau de diplôme via un MultiIndex) et les échelons de l’échelle d’opinion en colonnes. Dans ce protocole, la maîtrise du dénombrement des valeurs constitue le filtre d’audit primordial :

• Identification des distorsions de représentativité : l’évaluation des effectifs absolus d’occurrences met instantanément en exergue les strates sociodémographiques sous-représentées (par exemple, les jeunes actifs non diplômés), exigeant le calcul ultérieur de coefficients de pondération ou de redressement d’échantillon.
• Analyse de la non-réponse différentielle : en comparant un premier tableau paramétré avec aggfunc=’count’ sur la question ciblée avec un tableau basé sur l’identifiant unique des répondants via nunique, l’analyste quantifie avec une exactitude mathématique la proportion d’abstention spécifique à chaque segment sociétal.
• Conversion en profils d’opinion : le chaînage direct de la méthode matricielle de normalisation horizontale transforme instantanément cette table d’occurrences en pourcentages d’adhésion par catégorie sociale, offrant une synthèse descriptive immédiatement diffusable auprès des décideurs publics et des sociologues de terrain.

11.3 Restitution graphique et communication visuelle des résultats

L’aboutissement formel d’un travail de dénombrement par tableau croisé dynamique réside fréquemment dans sa conversion visuelle en artéfacts graphiques communicants et scientifiquement rigoureux. La structure matricielle bidimensionnelle générée par pivot_table() s’avère idéalement configurée pour s’interfacer sans intermédiaire avec les bibliothèques de visualisation de données de référence, au premier rang desquelles figure Seaborn, adossée au moteur graphique de Matplotlib.

L’archétype graphique le plus puissant pour restituer une matrice de contingence de fréquences est sans conteste la carte thermique (heatmap). L’instruction sns.heatmap(table, annot=True, fmt=’d’, cmap=’Blues’) ingère nativement le DataFrame résultant :

• L’argument annot=True force l’affichage typographique des effectifs numériques discrets au cœur de chaque cellule matricielle.
• Le format fmt=’d’ garantit la représentation textuelle sous forme d’entiers purs, prévenant l’apparition incongrue de décimales.
• Le nuancier chromatique cmap matérialise la densité des occurrences par des variations d’intensité lumineuse ou de saturation, révélant instantanément à l’œil les corridors de concentration et les déserts d’observations.

Alternativement, pour restituer les profils relatifs de distributions, la matrice résultante peut être immédiatement convertie en graphiques en barres empilées ou groupées à travers la méthode intégrée table.plot(kind=’bar’, stacked=True). Cette modalité visuelle permet de comparer l’architecture morphologique interne des groupes d’index en exposant visuellement l’accumulation des fréquences de colonnes. Ces restitutions graphiques doivent impérativement respecter les règles canoniques de l’édition scientifique : labellisation exhaustive des axes de coordonnées, présence d’une légende chromatique explicitant sans ambiguïté la nature de la métrique (effectif total versus cardinalité unique), et mention systématique de la taille totale de l’échantillon sous-jacent.

12. Diagnostic des anomalies fréquentes, pièges algorithmiques et solutions

12.1 Confusion entre dénombrement d’occurrences et sommation des valeurs

Parmi les anomalies algorithmiques les plus récurrentes lors de l’exploitation de la fonction pivot_table, la méconnaissance du comportement par défaut du paramètre aggfunc figure en première position. Un nombre impressionnant de scripts en production omettent de déclarer explicitement cet argument, leurs auteurs présumant de manière erronée que la fonction adoptera un comportement intuitif de comptage des éléments. Or, comme souligné dans les fondements théoriques de la bibliothèque, la fonction d’agrégation assignée par défaut sous Pandas est la moyenne arithmétique (numpy.mean).

Cette omission génère des conséquences désastreuses sur la validité des résultats :

• Si la variable désignée dans values est numérique, le tableau renverra subrepticement la moyenne locale des valeurs au lieu de leur effectif, produisant des métriques sans rapport avec le volume empirique réel sans qu’aucun message d’erreur ou avertissement (warning) ne soit déclenché par l’interpréteur Python.
• Si la variable est textuelle ou non convertible en flottant arithmétique, l’opération lèvera une exception brutale (DataError: No numeric types to aggregate), interrompant le flux d’exécution.

De surcroît, une confusion symétrique pousse fréquemment les débutants à employer par inadvertance aggfunc=’sum’ en croyant sommer les présences, additionnant ainsi la magnitude scalaire des variables métriques plutôt que leur fréquence d’apparition.

Le protocole de prévention contre ce piège impose l’adoption d’une discipline de codage défensive : le paramètre aggfunc ne doit jamais être laissé implicite. Dans tout environnement d’analyse critique, il convient de déclarer expressément la chaîne ‘count’, ‘size’ ou l’objet fonctionnel pd.Series.nunique. La traçabilité du code source et l’autodocumentation des scripts analytiques constituent la première barrière de sécurité contre ces glissements statistiques silencieux.

12.2 Altération involontaire de la structure de l’index

L’aboutissement géométrique d’une opération de pivotement matriciel altère profondément la structure dimensionnelle du DataFrame. Alors que le jeu de données initial se caractérise généralement par un index plat séquentiel (RangeIndex d’entiers allant de 0 à N-1), la matrice issue de pivot_table érige les modalités des variables sélectionnées au rang d’identifiants d’index formels, tant sur l’axe horizontal que vertical. Si cette présentation s’avère idéale pour la consultation visuelle humaine, elle constitue fréquemment un obstacle structurel majeur pour la poursuite du traitement algorithmique.

En particulier, la tentative de fusionner (merge) ou de joindre ultérieurement ce tableau croisé avec d’autres DataFrames transactionnels peut échouer ou produire des résultats erronés en raison de conflits d’axes ou de la présence d’un MultiIndex complexe. La remédiation standardisée face à cette contrainte morphologique réside dans l’application méthodique de la méthode DataFrame.reset_index(). Cette fonction convertit les niveaux d’index verticaux en colonnes de données standard, réinstaurant un index séquentiel unifié.

Par ailleurs, lorsque le croisement d’agrégation a induit un MultiIndex en colonnes non désiré — par exemple lors de l’adjonction redondante d’une variable unique dans values —, l’analyste doit savoir purger ces strates superflues. L’utilisation chirurgicale de la méthode DataFrame.droplevel(axis=1) permet d’élaguer un niveau d’en-tête horizontal devenu inutile, restaurant une géométrie tabulaire bidimensionnelle conventionnelle, parfaitement compatible avec l’ensemble des opérateurs en aval du pipeline de science des données.

12.3 Contrôle qualité et tests d’assertion sur les tableaux agrégés

Dans un contexte de recherche scientifique reproductible ou de déploiement de modèles en production industrielle, aucune synthèse agrégée ne devrait être validée sans avoir été soumise à une batterie de tests d’assertion logiques formels. L’écriture de tests unitaires sur les structures tabulaires assure que les transformations spatiales opérées par pivot_table n’ont introduit aucune corruption mathématique ou perte clandestine d’informations.

Le contrôle qualité fondamental consiste à vérifier formellement l’invariance de la masse statistique totale à l’aide de l’instruction assert de Python :

• Pour un comptage exhaustif sans valeurs nulles : assert table.values.sum() == len(df_initial), vérifiant que la somme de l’ensemble des cellules matricielles coïncide rigoureusement avec la cardinalité de l’univers d’échantillonnage de départ.
• En présence documentée de valeurs manquantes : assert table.values.sum() == df_initial[‘Variable_Cible’].notna().sum(), confirmant que l’opérateur ‘count’ a traité avec exactitude le périmètre des cellules observables.

Enfin, un audit de complétude post-agrégation doit être systématiquement automatisé afin de certifier l’absence d’indicateurs NaN résiduels dès lors que l’option de remplissage a été sollicitée : assert not table.isna().any().any(). Cette assertion logique garantit que l’espace matriciel a été intégralement densifié et qu’aucune indétermination arithmétique ne subsiste. L’institutionnalisation de ces garde-fous programmatiques confère aux scripts de traitement de données une robustesse industrielle, immunisant les conclusions des chercheurs contre les artéfacts algorithmiques et les dérives computationnelles silencieuses.

Références

Codd, E. F. (1970). A relational model of data for large shared data banks. Communications of the ACM, 13(6), 377-387. https://doi.org/10.1145/362384.362685

Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., Wieser, E., Taylor, J., Berg, S., Smith, N. J., Kern, R., Picus, M., Hoyer, S., van Kerkwijk, M. H., Brett, M., Haldane, A., del Río, J. F., Wiebe, M., Peterson, P., … Oliphant, T. E. (2020). Array programming with NumPy. Nature, 585(7825), 357-362. https://doi.org/10.1038/s41586-020-2649-2

Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9(3), 90-95. https://doi.org/10.1109/MCSE.2007.55

McKinney, W. (2010). Data structures for statistical computing in Python. In S. van der Walt & J. Millman (Eds.), Proceedings of the 9th Python in Science Conference (pp. 56-61). https://doi.org/10.25080/Majora-92bf1924-00a

McKinney, W. (2022). Python for data analysis: Data wrangling with pandas, NumPy, and Jupyter (3rd ed.). O’Reilly Media.

The Pandas Development Team. (2024). pandas-dev/pandas: Pandas (Version 2.2.0). Zenodo. https://doi.org/10.5281/zenodo.3509134

Waskom, M. L. (2021). Seaborn: Statistical data visualization. Journal of Open Source Software, 6(60), Article 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

Wickham, H. (2014). Tidy data. Journal of Statistical Software, 59(10), 1-23. https://doi.org/10.18637/jss.v059.i10