Optimisez Vos Projets de Machine Learning avec une EDA Structurée

import pandas as pd

df = pd.read_csv('donnees_clients_hotel.csv')

# Inspection de base
print(df.head())
print(df.shape)
print(df.info())
print(df.describe())

# Valeurs manquantes
print(df.isnull().sum())

# Doublons
print(df.duplicated().sum())

# Valeurs uniques par colonne catégorielle
for col in df.select_dtypes(include='object').columns:
    print(f":  valeurs uniques")
    print(df[col].value_counts().head())

import matplotlib.pyplot as plt
import seaborn as sns

# Variables numériques
df.describe()

# Distribution avec histogramme
plt.figure(figsize=(10, 6))
sns.histplot(df['score_satisfaction'], bins=30, kde=True)
plt.title('Distribution du score de satisfaction')
plt.show()

# Variables catégorielles
df['type_chambre'].value_counts().plot(kind='bar')

# Relation entre deux variables numériques
plt.figure(figsize=(10, 6))
sns.scatterplot(x='duree_sejour', y='score_satisfaction', data=df)
plt.title('Relation durée séjour / satisfaction')
plt.show()

# Matrice de corrélation (variables numériques)
plt.figure(figsize=(12, 8))
sns.heatmap(df.corr(numeric_only=True), annot=True, cmap='coolwarm')
plt.title('Matrice de corrélation')
plt.show()

# Relation variable catégorielle vs numérique
sns.boxplot(x='type_chambre', y='score_satisfaction', data=df)

# Extraction de la saison depuis une date
df['date_sejour'] = pd.to_datetime(df['date_sejour'])
df['saison'] = df['date_sejour'].dt.month.map({
    12: 'hiver', 1: 'hiver', 2: 'hiver',
    3: 'printemps', 4: 'printemps', 5: 'printemps',
    6: 'ete', 7: 'ete', 8: 'ete',
    9: 'automne', 10: 'automne', 11: 'automne'
})

# Encodage one-hot des variables catégorielles
df_encoded = pd.get_dummies(df, columns=['type_chambre'], drop_first=True)

from sklearn.ensemble import IsolationForest

# Méthode statistique (IQR)
Q1 = df['montant'].quantile(0.25)
Q3 = df['montant'].quantile(0.75)
IQR = Q3 - Q1
outliers_iqr = df[(df['montant'] < Q1 - 1.5*IQR) | (df['montant'] > Q3 + 1.5*IQR)]

# Méthode ML (Isolation Forest)
iso_forest = IsolationForest(contamination=0.05, random_state=42)
df['anomalie'] = iso_forest.fit_predict(df.select_dtypes(include='number'))
outliers_ml = df[df['anomalie'] == -1]

from sklearn.impute import SimpleImputer

# Imputation par la médiane (robuste aux outliers)
imputer_median = SimpleImputer(strategy='median')
df['age'] = imputer_median.fit_transform(df[['age']])

# Imputation par la moyenne
imputer_mean = SimpleImputer(strategy='mean')
df['age'] = imputer_mean.fit_transform(df[['age']])

# Imputation par la valeur la plus fréquente (pour catégorielles)
imputer_mode = SimpleImputer(strategy='most_frequent')
df['type_chambre'] = imputer_mode.fit_transform(df[['type_chambre']])

# Suppression des lignes avec trop de valeurs manquantes
df = df.dropna(thresh=len(df.columns)-2)  # garde lignes avec au moins n-2 valeurs non nulles

# Vérification finale
assert df.isnull().sum().sum() == 0, "Il reste des valeurs manquantes"
assert not df.duplicated().any(), "Il reste des doublons"

# Vérification des types
print(df.dtypes)

# Statistiques finales
print(df.describe())

# Sauvegarde
df.to_csv('dataset_clean.csv', index=False)

import matplotlib.pyplot as plt

# Top des insights à visualiser
fig, axes = plt.subplots(1, 2, figsize=(12, 5))

# Insight 1: relation durée séjour / satisfaction
sns.scatterplot(x='duree_sejour', y='score_satisfaction', data=df, ax=axes[0])
axes[0].set_title('Impact de la durée sur la satisfaction')

# Insight 2: satisfaction par type de chambre
sns.barplot(x='type_chambre', y='score_satisfaction', data=df, ax=axes[1])
axes[1].set_title('Satisfaction par type de chambre')
plt.tight_layout()
plt.show()