Objectif

Le but de ce projet est de faire ressortir la pauvreté en France, comment celle ci se répartie et ce qui la définit. Pour ce faire, nous avons premièrement un graphique à points qui permet de visualiser les répartition des populations (départements) selon les variables choisies. De plus, une matrice de corrélation permet de voir de suite quelles variables sont intéressantes à observer sur le graphe de points afin d'en déduire un type de répartition : on peut par exemple voir que le taux de pauvreté et le taux de chômage ont une forte corrélation et qu'il est donc intéressant de regarder la visualisation de la dépendance de ces variables sur un plan. On voit donc, en sélectionnant ces deux variables sur le graphique, comment elles dépendent l'une de l'autre : on voit ici une tendance linéaire dans la répartition de la population. Pour finir, afin de visualiser de suite quelles sont les départements les plus touchés par la pauvreté, nous avons fait une carte de la France avec nuances de couleurs, de la couleur la plus claire à la plus foncée pour une pauvreté de plus en plus marquée.

Jeux de données

Les données que nous avons utilisées sont mis à disposition par la direction de la recherche, des études, de l'évaluation et des statistiques (DREES). La license d'utilisation des données est libre, ce qui peut etre confirme dans les conditions générales d'utilisation de la DREES.

Indicateurs

Nous utilisons des données que concernent differents indicateurs sociaux qui sont tous liés à la responsabilité sociale. Toutes les données concernent l'année 2018, et sont dans une échelle departamentale de la France.

Pauvréte monetaire (pourcentage)
Espérance de vie (années)
Taux de chomage (pourcentage de la population éligible au travail)
Dépenses d'aide sociale (en euros/habitant)
Niveau de vie des menages (revenu en euros)
Logements suroccupes (pourcentage)
Taux de scolarisation des enfants de 2 ans (pourcentage)

Choix des technologies

Python

Langage utilisé dans le script pour le traitement de donnees.

Langages web de base

Les langages web de base HTML, CSS et Javascript ont ete utilisés pour la présentation de la page web et pour les intéraction la concernant.

Bulma

Framework utilisé pour faciliter la manipulation des styles et création du design de notre page web.

D3.js

Bibliotèque utilisée pour créer les visualisations graphiques des données de la page.

jeezy.js et data2grid.js

Bibliotèques utilisées respectivement pour le calcul du correlogramme et pour la création de son grid pour l'affichage.

Architecture

Le code source de notre projet est divisé en différents dossiers et fichiers:

un fichier index.html qui est la page web de notre application
un dossier js qui contient les fichiers JavaScript
un dossier img qui contient les images utilisées
un dossier css qui contient les styles utilisées

Tout d'abord, nous avons téléchargé les ensembles de données XLSX sur internet. Après cela, nous avons converti les fichiers XLSX en CSV, facilitant la manipulation des données, et nous avons utilisé le script Python pour créer le fichier de données data.js qui contient les informations que nous allons afficher sur le site web. Pour la création du site web, nous avons utilisé du Javascript pour traiter les informations et interactions, HTML, CSS et le framework Bulma pour gérer les éléments visuels et la biblioteque D3.js pour la visualisation et les interactions.

Schéma de l'architecture de l'application

Traitements opérés

Dans un premier temps, nous avons téléchargé toutes les données dans le format XLSX, le seul format disponible depuis le site de la DREES. Les fichiers de départ sont tous divisés en différents sheets qui contiennent des informations concernant des années différentes. Afin de pouvoir les utiliser dans notre outil de visualisation, nous avons dans un premier temps converti les fichiers XLSX en CSV avec la commande bash "ssconvert -s". Cette commande nous a permis de séparer chaque sheet du fichier de départ dans des fichiers CSV individuels, pour qu'on puisse manipuler les données plus facilement et regrouper ceux qui concernent la même période. De plus, on a utilisé un script python pour lire les fichiers CSV et générer les fichiers consommés par notre page web.

Comme tous les fichiers proviennent de la même source, ils étaient tous compatibles par rapport au nom de colonne et identificateurs de département. Ainsi, nous avons décidé de regrouper les données par départements avec le script créé afin de ne pas laisser cette responsabilité au front-end. Une fois que l'application est embarquée coté client, les données traitées ne sont pas stockées dans un fichier JSON mais dans un script javascript où une variable data était déclarée afin de stocker les données traitées localement, tout en contournant le problème du CORS (Cross-Origin Resource Sharing).

Schéma du fichier de sortie data.js

              const data = {
                "01": {
                    "name": "Ain",
                    "unemployment": 6.3,
                    "poverty": 10.7,
                    "expenses": 407.97,
                    "life_expectancy": 83.6,
                    "enrollement_rate": 5.88,
                    "living_standard": 23490,
                    "overcrowded_housing": 4.8
                },
                "02": {
                    "name": "Aisne",
                    "unemployment": 12.5,
                    "poverty": 18.4,
                    ...
                }...
              }

Diagramme de dispersion

Matrice de corrélation

Carte de la France