Récupération des données
Links: notebook html , PDF python slides , GitHub
Ce notebook donne quelques exemples de codes qui permettent de récupérer
les données utilisées par d’autres notebooks. Le module
actuariat_python
est implémenté avec Python 3. Pour les utilisateurs de Python 2.7, il
suffira de recopier le code chaque fonction dans le notebook (suivre les
liens insérés dans le notebook).
% matplotlib inline
import matplotlib.pyplot as plt
plt . style . use ( 'ggplot' )
# le code qui suit n'est pas indispensable, il génère automatiquement un menu
# dans le notebook
from jyquickhelper import add_notebook_menu
add_notebook_menu ()
Populating the interactive namespace from numpy and matplotlib
Les données sont disponibles sur le site de l’INSEE Pyramide des âges
au 1er
janvier .
Elles sont disponibles au format Excel. Le format n’est pas le plus
simple et il a le don d’être parfois illisible avec pandas. Le plus
simple est de le convertir au format texte avec Excel.
url = "https://www.insee.fr/fr/statistiques/fichier/1892086/pop-totale-france.xls"
url = "pop-totale-france.txt"
import pandas
df = pandas . read_csv ( url , sep = " \t " , encoding = "latin-1" )
df . head ( n = 5 )
Population totale par sexe et âge au 1er janvier 2017, France
Unnamed: 1
Unnamed: 2
Unnamed: 3
Unnamed: 4
0
Mis à jour : janvier 2017
NaN
NaN
NaN
NaN
1
NaN
NaN
NaN
NaN
NaN
2
Année de naissance
Âge révolu
Nombre d'hommes
Nombre de femmes
Ensemble
3
2016
0
382 585
364 392
746 977
4
2015
1
390 810
373 164
763 974
df = pandas . read_csv ( url , sep = " \t " , encoding = "latin-1" , skiprows = 3 )
df . head ( n = 5 )
Année de naissance
Âge révolu
Nombre d'hommes
Nombre de femmes
Ensemble
0
2016
0
382 585
364 392
746 977
1
2015
1
390 810
373 164
763 974
2
2014
2
402 728
386 467
789 195
3
2013
3
405 636
387 097
792 733
4
2012
4
416 074
396 365
812 439
Année de naissance
Âge révolu
Nombre d'hommes
Nombre de femmes
Ensemble
100
1916 ou avant
100 ou plus
3 015
15 617
18 632
101
NaN
Total
32 455 859
34 534 967
66 990 826
102
NaN
NaN
NaN
NaN
NaN
103
Champ : France inclus Mayotte.
NaN
NaN
NaN
NaN
104
Source : Insee, estimations de population (rés...
NaN
NaN
NaN
NaN
La récupération de ces données est implémentée dans la fonction
population_france_year
:
from actuariat_python.data import population_france_year
df = population_france_year ()
naissance
age
hommes
femmes
ensemble
0
2016
0
382585
364392
746977
1
2015
1
390810
373164
763974
2
2014
2
402728
386467
789195
naissance
age
hommes
femmes
ensemble
98
1918
98
2474
10089
12563
99
1917
99
1362
6765
8127
100
1916
100
3015
15617
18632
D’après cette table, il y a plus de personnes âgées de 110 ans que de
109 ans. C’est dû au fait que la dernière ligne aggrège toutes les
personnes âgées de plus de 110 ans.
On utilise quelques raccourcis afin d’éviter d’y passer trop de temps.
Les données sont fournis au format Excel à l’adresse :
http://www.institutdesactuaires.com/gene/main.php?base=314 . La fonction
table_mortalite_france_00_02
permet de les récupérer.
from actuariat_python.data import table_mortalite_france_00_02
df = table_mortalite_france_00_02 ()
df . head ()
Age
Homme
Femme
0
0.0
100000.0
100000.0
1
1.0
99511.0
99616.0
2
2.0
99473.0
99583.0
3
3.0
99446.0
99562.0
4
4.0
99424.0
99545.0
df . plot ( x = "Age" , y = [ "Homme" , "Femme" ], xlim = [ 0 , 100 ])
< matplotlib . axes . _subplots . AxesSubplot at 0x193a55bee48 >
On procède de même pour cette table avec la fonction
fecondite_france .
Source : INSEE : Fécondité selon l’âge détaillé de la
mère .
from actuariat_python.data import fecondite_france
df = fecondite_france ()
df . head ()
age
2005
2015
3
15.0
0.1
0.0
4
16.0
0.2
0.2
5
17.0
0.5
0.5
6
18.0
1.0
1.1
7
19.0
2.0
2.1
df . plot ( x = "age" , y = [ "2005" , "2015" ])
< matplotlib . axes . _subplots . AxesSubplot at 0x193a583fba8 >
table de mortalité de 1960 à
2010
qu’on récupère à l’aide de la fonction
table_mortalite_euro_stat .
from actuariat_python.data import table_mortalite_euro_stat
table_mortalite_euro_stat ()
import os
os . stat ( "mortalite.txt" )
os . stat_result ( st_mode = 33206 , st_ino = 9007199255282328 , st_dev = 311511962 , st_nlink = 1 , st_uid = 0 , st_gid = 0 , st_size = 105741052 , st_atime = 1480548419 , st_mtime = 1480548432 , st_ctime = 1480548419 )
import pandas
df = pandas . read_csv ( "mortalite.txt" , sep = " \t " , encoding = "utf8" , low_memory = False )
df . head ()
annee
valeur
age
age_num
indicateur
genre
pays
0
2012
0.00000
Y01
1.0
DEATHRATE
F
AD
1
2014
0.00042
Y01
1.0
DEATHRATE
F
AL
2
2009
0.00080
Y01
1.0
DEATHRATE
F
AM
3
2008
0.00067
Y01
1.0
DEATHRATE
F
AM
4
2007
0.00052
Y01
1.0
DEATHRATE
F
AM
df [ (( df . age == "Y60" ) | ( df . age == "Y61" )) & ( df . annee == 2000 ) & ( df . pays == "FR" ) & ( df . genre == "F" )]
annee
valeur
age
age_num
indicateur
genre
pays
87406
2000
5.020000e-03
Y60
60.0
DEATHRATE
F
FR
88955
2000
4.860000e-03
Y61
61.0
DEATHRATE
F
FR
485730
2000
2.580000e+01
Y60
60.0
LIFEXP
F
FR
487268
2000
2.490000e+01
Y61
61.0
LIFEXP
F
FR
882568
2000
5.010000e-03
Y60
60.0
PROBDEATH
F
FR
884117
2000
4.850000e-03
Y61
61.0
PROBDEATH
F
FR
1281364
2000
9.949900e-01
Y60
60.0
PROBSURV
F
FR
1282913
2000
9.951500e-01
Y61
61.0
PROBSURV
F
FR
1679610
2000
9.307600e+04
Y60
60.0
PYLIVED
F
FR
1681148
2000
9.261800e+04
Y61
61.0
PYLIVED
F
FR
2075898
2000
9.331000e+04
Y60
60.0
SURVIVORS
F
FR
2077436
2000
9.284300e+04
Y61
61.0
SURVIVORS
F
FR
2472219
2000
2.405594e+06
Y60
60.0
TOTPYLIVED
F
FR
2473757
2000
2.312517e+06
Y61
61.0
TOTPYLIVED
F
FR
