Aller au contenu

Exercices sur la base
« titanic »☘

Ces exercices doivent être utilisés pour vous entraîner à programmer. Ils sont généralement accompagnés d'aide et de leur solution pour vous permettre de progresser.

Avant de vous précipiter sur ces solutions dès la première difficulté, n'oubliez pas les conseils suivants :

  • Avez-vous bien fait un schéma au brouillon pour visualiser le problème posé ?
  • Avez-vous essayé de rédiger un algorithme en français, avec vos propres mots, avant de vous lancer dans la programmation sur machine ?
  • Avez-vous utilisé des affichages intermédiaires, des print(), pour visualiser au fur et à mesure le contenu des variables ?
  • Avez-vous testé le programme avec les propositions de tests donnés dans l'exercice ?
  • Avez-vous testé le programme avec de nouveaux tests, différents de ceux proposés ?

Attention

  • Ne pas oublier de sauvegarder les fichiers dans le répertoire [NSI_Tables_Donnees].
  • Ne pas oublier d'importer le module fonctions_csv.
  • Ne pas oublier d'importer les fichiers CSV en tableau de dictionnaires pour pouvoir utiliser les fonctions...

Dans ces exercices, on utilise le fichier titanic.csv, à télécharger et sauvegarder dans le répertoire de travail.

Source : Kaggle

Ce fichier a été modifié pour que le séparateur de données soit la virgule (le séparateur de données d'origine était la tabulation).

Quelques explications sur cette base de données

Précisons la légende:

  • PassengerId : identifiant du passager (on peut considérer par exemple qu'il s'agit de son numéro d'enregistrement, chaque passager a ainsi un identifiant différent de celui des autres passagers).
  • Survived : 0 signifie que le passager n'a pas survécu à l'accident, 1 qu'il a survécu.
  • Pclass : 1, 2 ou 3 (première classe, seconde classe ou troisième classe).
  • Name : nom du passager.
  • Sex.
  • Age.
  • SibSp : nombre de frères, soeurs (et conjoints) sur le bateau.
  • Parch : nombre de parents et enfants sur le bateau.
  • Ticket : numéro (code) du ticket passager.
  • Fare : prix du ticket.
  • Cabin : numéro de cabine.
  • Embarked : Port d'embarcation (C = Cherbourg, Q = Queenstown, S = Southampton).

PassengerId Survived Pclass Name Sex Age SibSp Parch Ticket Fare Cabin Embarked
1 0 3 Braund, Mr. Owen Harris male 22 1 0 A/5 21171 7.25 S
2 1 1 Cumings, Mrs. John Bradley (Florence Briggs Thayer) female 38 1 0 PC 17599 71.25 C85 C
3 1 3 Heikkinen, Miss. Laina female 26 0 0 STON/O2. 3101282 7.9 S
4 1 1 Futrelle, Mrs. Jacques Heath (Lily May Peel) female 35 1 0 113803 53.1 C123 S
5 0 3 Allen, Mr. William Henry male 35 0 0 373450 8.05 S
6 0 3 Moran, Mr. James male 43 0 0 330877 8.45 Q
7 0 1 McCarthy, Mr. Timothy J male 54 0 0 17463 51.86 E46 S
8 0 3 Palsson, Master. Gosta Leonard male 2 3 1 349909 21.07 S
9 1 3 Johnson, Mrs. Oscar W (Elisabeth Vilhelmina Berg) female 27 0 2 347742 11.13 S
10 1 2 Nasser, Mrs. Nicholas (Adele Achem) female 14 1 0 237736 30.07 C
11 1 3 Sandstrom, Miss. Marguerite Rut female 4 1 1 PP 9549 16.7 G6 S
12 1 1 Bonnell, Miss. Elizabeth female 58 0 0 113783 26.55 C103 S
13 0 3 Saundercock, Mr. William Henry male 20 0 0 A/5. 2151 8.05 S
14 0 3 Andersson, Mr. Anders Johan male 39 1 5 347082 31.27 S
15 0 3 Vestrom, Miss. Hulda Amanda Adolfina female 14 0 0 350406 7.85 S
16 1 2 Hewlett, Mrs. (Mary D Kingcome) female 55 0 0 248706 16 S
17 0 3 Rice, Master. Eugene male 2 4 1 382652 29.12 Q
18 1 2 Williams, Mr. Charles Eugene male 22 0 0 244373 13 S
19 0 3 Vander Planke, Mrs. Julius (Emelia Maria Vandemoortele) female 31 1 0 345763 18 S
20 1 3 Masselmani, Mrs. Fatima female 64 0 0 2649 7.22 C
21 0 2 Fynney, Mr. Joseph J male 35 0 0 239865 26 S
22 1 2 Beesley, Mr. Lawrence male 34 0 0 248698 13 D56 S
23 1 3 "McGowan, Miss. Anna ""Annie""" female 15 0 0 330923 8.02 Q
24 1 1 Sloper, Mr. William Thompson male 28 0 0 113788 35.5 A6 S
25 0 3 Palsson, Miss. Torborg Danira female 8 3 1 349909 21.07 S
26 1 3 Asplund, Mrs. Carl Oscar (Selma Augusta Emilia Johansson) female 38 1 5 347077 31.38 S
27 0 3 Emir, Mr. Farred Chehab male 21 0 0 2631 7.22 C
28 0 1 Fortune, Mr. Charles Alexander male 19 3 2 19950 263 C23 C25 C27 S
29 1 3 "O'Dwyer, Miss. Ellen ""Nellie""" female 37 0 0 330959 7.87 Q
30 0 3 Todoroff, Mr. Lalio male 38 0 0 349216 7.89 S
31 0 1 Uruchurtu, Don. Manuel E male 40 0 0 PC 17601 27.72 C
32 1 1 Spencer, Mrs. William Augustus (Marie Eugenie) female 42 1 0 PC 17569 146.52 B78 C
33 1 3 Glynn, Miss. Mary Agatha female 41 0 0 335677 7.75 Q
34 0 2 Wheadon, Mr. Edward H male 66 0 0 C.A. 24579 10.5 S
35 0 1 Meyer, Mr. Edgar Joseph male 28 1 0 PC 17604 82.17 C
36 0 1 Holverson, Mr. Alexander Oskar male 42 1 0 113789 52 S
37 1 3 Mamee, Mr. Hanna male 27 0 0 2677 7.22 C
38 0 3 Cann, Mr. Ernest Charles male 21 0 0 A./5. 2152 8.05 S
39 0 3 Vander Planke, Miss. Augusta Maria female 18 2 0 345764 18 S
40 1 3 Nicola-Yarred, Miss. Jamila female 14 1 0 2651 11.24 C
41 0 3 Ahlin, Mrs. Johan (Johanna Persdotter Larsson) female 40 1 0 7546 9.47 S
42 0 2 Turpin, Mrs. William John Robert (Dorothy Ann Wonnacott) female 27 1 0 11668 21 S
43 0 3 Kraeff, Mr. Theodor male 21 0 0 349253 7.89 C
44 1 2 Laroche, Miss. Simonne Marie Anne Andree female 3 1 2 SC/Paris 2123 41.57 C
45 1 3 Devaney, Miss. Margaret Delia female 19 0 0 330958 7.87 Q
46 0 3 Rogers, Mr. William John male 4 0 0 S.C./A.4. 23567 8.05 S
47 0 3 Lennon, Mr. Denis male 54 1 0 370371 15.5 Q
48 1 3 O'Driscoll, Miss. Bridget female 32 0 0 14311 7.75 Q
49 0 3 Samaan, Mr. Youssef male 29 2 0 2662 21.67 C
50 0 3 Arnold-Franchi, Mrs. Josef (Josefine Franchi) female 18 1 0 349237 17.8 S
51 0 3 Panula, Master. Juha Niilo male 7 4 1 3101295 39.68 S
52 0 3 Nosworthy, Mr. Richard Cater male 21 0 0 A/4. 39886 7.8 S
53 1 1 Harper, Mrs. Henry Sleeper (Myna Haxtun) female 49 1 0 PC 17572 76.72 D33 C
54 1 2 Faunthorpe, Mrs. Lizzie (Elizabeth Anne Wilkinson) female 29 1 0 2926 26 S
55 0 1 Ostby, Mr. Engelhart Cornelius male 65 0 1 113509 61.97 B30 C
56 1 1 Woolner, Mr. Hugh male 70 0 0 19947 35.5 C52 S
57 1 2 Rugg, Miss. Emily female 21 0 0 C.A. 31026 10.5 S
58 0 3 Novel, Mr. Mansouer male 28 0 0 2697 7.22 C
59 1 2 West, Miss. Constance Mirium female 5 1 2 C.A. 34651 27.75 S
60 0 3 Goodwin, Master. William Frederick male 11 5 2 CA 2144 46.9 S
61 0 3 Sirayanian, Mr. Orsen male 22 0 0 2669 7.22 C
62 1 1 Icard, Miss. Amelie female 38 0 0 113572 80 B28
63 0 1 Harris, Mr. Henry Birkhardt male 45 1 0 36973 83.47 C83 S
64 0 3 Skoog, Master. Harald male 4 3 2 347088 27.9 S
65 0 1 Stewart, Mr. Albert A male 55 0 0 PC 17605 27.72 C
66 1 3 Moubarek, Master. Gerios male 52 1 1 2661 15.24 C
67 1 2 Nye, Mrs. (Elizabeth Ramell) female 29 0 0 C.A. 29395 10.5 F33 S
68 0 3 Crease, Mr. Ernest James male 19 0 0 S.P. 3464 8.15 S
69 1 3 Andersson, Miss. Erna Alexandra female 17 4 2 3101281 7.925 S
70 0 3 Kink, Mr. Vincenz male 26 2 0 315151 8.66 S
71 0 2 Jenkin, Mr. Stephen Curnow male 32 0 0 C.A. 33111 10.5 S
72 0 3 Goodwin, Miss. Lillian Amy female 16 5 2 CA 2144 46.9 S
73 0 2 Hood, Mr. Ambrose Jr male 21 0 0 S.O.C. 14879 73.5 S
74 0 3 Chronopoulos, Mr. Apostolos male 26 1 0 2680 14.45 C
75 1 3 Bing, Mr. Lee male 32 0 0 1601 56.49 S
76 0 3 Moen, Mr. Sigurd Hansen male 25 0 0 348123 7.65 F G73 S
77 0 3 Staneff, Mr. Ivan male 87 0 0 349208 7.89 S
78 0 3 Moutal, Mr. Rahamin Haim male 32 0 0 374746 8.05 S
79 1 2 Caldwell, Master. Alden Gates male 12 0 2 248738 29 S
80 1 3 Dowdell, Miss. Elizabeth female 30 0 0 364516 12.47 S
81 0 3 Waelens, Mr. Achille male 22 0 0 345767 9 S
82 1 3 Sheerlinck, Mr. Jan Baptist male 29 0 0 345779 9.5 S
83 1 3 McDermott, Miss. Brigdet Delia female 34 0 0 330932 7.78 Q
84 0 1 Carrau, Mr. Francisco M male 28 0 0 113059 47.1 S
85 1 2 Ilett, Miss. Bertha female 17 0 0 SO/C 14885 10.5 S
86 1 3 Backstrom, Mrs. Karl Alfred (Maria Mathilda Gustafsson) female 33 3 0 3101278 15.85 S
87 0 3 Ford, Mr. William Neal male 16 1 3 W./C. 6608 34.37 S
88 0 3 Slocovski, Mr. Selman Francis male 23 0 0 SOTON/OQ 392086 8.05 S
89 1 1 Fortune, Miss. Mabel Helen female 23 3 2 19950 263 C23 C25 C27 S
90 0 3 Celotti, Mr. Francesco male 24 0 0 343275 8.05 S
91 0 3 Christmann, Mr. Emil male 29 0 0 343276 8.05 S
92 0 3 Andreasson, Mr. Paul Edvin male 20 0 0 347466 7.85 S
93 0 1 Chaffee, Mr. Herbert Fuller male 46 1 0 W.E.P. 5734 61.1 E31 S
94 0 3 Dean, Mr. Bertram Frank male 26 1 2 C.A. 2315 20.5 S
95 0 3 Coxon, Mr. Daniel male 59 0 0 364500 7.25 S
96 0 3 Shorney, Mr. Charles Joseph male 73 0 0 374910 8.05 S
97 0 1 Goldschmidt, Mr. George B male 71 0 0 PC 17754 34.6 A5 C
98 1 1 Greenfield, Mr. William Bertram male 23 0 1 PC 17759 63.3 D10 D12 C
99 1 2 Doling, Mrs. John T (Ada Julia Bone) female 34 0 1 231919 23 S
100 0 2 Kantor, Mr. Sinai male 34 1 0 244367 26 S
101 0 3 Petranec, Miss. Matilda female 28 0 0 349245 7.8 S
102 0 3 "Petroff, Mr. Pastcho (""Pentcho"")" male 87 0 0 349215 7.8 S
103 0 1 White, Mr. Richard Frasar male 21 0 1 35281 77.2 D26 S
104 0 3 Johansson, Mr. Gustaf Joel male 33 0 0 7540 8.65 S
105 0 3 Gustafsson, Mr. Anders Vilhelm male 37 2 0 3101276 7.92 S
106 0 3 Mionoff, Mr. Stoytcho male 28 0 0 349207 7.89 S
107 1 3 Salkjelsvik, Miss. Anna Kristine female 21 0 0 343120 7.65 S
108 1 3 Moss, Mr. Albert Johan male 31 0 0 312991 7.77 S
109 0 3 Rekic, Mr. Tido male 38 0 0 349249 7.89 S
110 1 3 Moran, Miss. Bertha female 36 1 0 371110 24.15 Q
111 0 1 Porter, Mr. Walter Chamberlain male 47 0 0 110465 52 C110 S
112 0 3 Zabour, Miss. Hileni female 14 1 0 2665 14.45 C
113 0 3 Barton, Mr. David John male 22 0 0 324669 8.05 S
114 0 3 Jussila, Miss. Katriina female 20 1 0 4136 9.82 S
115 0 3 Attalah, Miss. Malake female 17 0 0 2627 14.45 C
116 0 3 Pekoniemi, Mr. Edvard male 21 0 0 STON/O 2. 3101294 7.92 S
117 0 3 Connors, Mr. Patrick male 70 0 0 370369 7.75 Q
118 0 2 Turpin, Mr. William John Robert male 29 1 0 11668 21 S
119 0 1 Baxter, Mr. Quigg Edmond male 24 0 1 PC 17558 247.52 B58 B60 C
120 0 3 Andersson, Miss. Ellis Anna Maria female 2 4 2 347082 31.27 S
121 0 2 Hickman, Mr. Stanley George male 21 2 0 S.O.C. 14879 73.5 S
122 0 3 Moore, Mr. Leonard Charles male 39 0 0 A4. 54510 8.05 S
123 0 2 Nasser, Mr. Nicholas male 32 1 0 237736 30.07 C
124 1 2 Webber, Miss. Susan female 32 0 0 27267 13 E101 S
125 0 1 White, Mr. Percival Wayland male 54 0 1 35281 77.28 D26 S
126 1 3 Nicola-Yarred, Master. Elias male 12 1 0 2651 11.24 C
127 0 3 McMahon, Mr. Martin male 9 0 0 370372 7.75 Q
128 1 3 Madsen, Mr. Fridtjof Arne male 24 0 0 C 17369 7.14 S
129 1 3 Peter, Miss. Anna female 45 1 1 2668 22.35 F E69 C
130 0 3 Ekstrom, Mr. Johan male 45 0 0 347061 6.97 S
131 0 3 Drazenoic, Mr. Jozef male 33 0 0 349241 7.58 C
132 0 3 Coelho, Mr. Domingos Fernandeo male 20 0 0 SOTON/O.Q. 3101307 7.05 S
133 0 3 Robins, Mrs. Alexander A (Grace Charity Laury) female 47 1 0 A/5. 3337 14.5 S
134 1 2 Weisz, Mrs. Leopold (Mathilde Francoise Pede) female 29 1 0 228414 26 S
135 0 2 Sobey, Mr. Samuel James Hayden male 25 0 0 C.A. 29178 13 S
136 0 2 Richard, Mr. Emile male 23 0 0 SC/PARIS 2133 15.04 C
137 1 1 Newsom, Miss. Helen Monypeny female 19 0 2 11752 26.28 D47 S
138 0 1 Futrelle, Mr. Jacques Heath male 37 1 0 113803 53.1 C123 S
139 0 3 Osen, Mr. Olaf Elon male 16 0 0 7534 9.21 S
140 0 1 Giglio, Mr. Victor male 24 0 0 PC 17593 79.2 B86 C
141 0 3 Boulos, Mrs. Joseph (Sultana) female 66 0 2 2678 15.24 C
142 1 3 Nysten, Miss. Anna Sofia female 22 0 0 347081 7.75 S
143 1 3 Hakkarainen, Mrs. Pekka Pietari (Elin Matilda Dolck) female 24 1 0 STON/O2. 3101279 15.85 S
144 0 3 Burke, Mr. Jeremiah male 19 0 0 365222 6.75 Q
145 0 2 Andrew, Mr. Edgardo Samuel male 18 0 0 231945 11.5 S
146 0 2 Nicholls, Mr. Joseph Charles male 19 1 1 C.A. 33112 36.75 S
147 1 3 "Andersson, Mr. August Edvard (""Wennerstrom"")" male 27 0 0 350043 7.79 S
148 0 3 "Ford, Miss. Robina Maggie ""Ruby""" female 9 2 2 W./C. 6608 34.37 S
149 0 2 "Navratil, Mr. Michel (""Louis M Hoffman"")" male 36 0 2 230080 26 F2 S
150 0 2 Byles, Rev. Thomas Roussel Davids male 42 0 0 244310 13 S
151 0 2 Bateman, Rev. Robert James male 51 0 0 S.O.P. 1166 12.52 S
152 1 1 Pears, Mrs. Thomas (Edith Wearne) female 22 1 0 113776 66.6 C2 S
153 0 3 Meo, Mr. Alfonzo male 56 0 0 A.5. 11206 8.05 S
154 0 3 van Billiard, Mr. Austin Blyler male 41 0 2 A/5. 851 14.5 S
155 0 3 Olsen, Mr. Ole Martin male 42 0 0 Fa 265302 7.31 S
156 0 1 Williams, Mr. Charles Duane male 51 0 1 PC 17597 61.37 C

ProgC02.81☘

Concevoir un programme permettant d'obtenir la table des identifiants et des noms des femmes de plus de 30 ans ayant survécu.

La table à obtenir
[{'PassengerId': 2, 'Name': 'Cumings, Mrs. John Bradley (Florence Briggs Thayer)'},
{'PassengerId': 4, 'Name': 'Futrelle, Mrs. Jacques Heath (Lily May Peel)'},
{'PassengerId': 12, 'Name': 'Bonnell, Miss. Elizabeth'},
{'PassengerId': 16, 'Name': 'Hewlett, Mrs. (Mary D Kingcome) '},
{'PassengerId': 20, 'Name': 'Masselmani, Mrs. Fatima'},
{'PassengerId': 26, 'Name': 'Asplund, Mrs. Carl Oscar (Selma Augusta Emilia Johansson)'},
{'PassengerId': 29, 'Name': 'O\'Dwyer, Miss. Ellen "Nellie"'},
{'PassengerId': 32, 'Name': 'Spencer, Mrs. William Augustus (Marie Eugenie)'},
{'PassengerId': 33, 'Name': 'Glynn, Miss. Mary Agatha'},
{'PassengerId': 48, 'Name': "O'Driscoll, Miss. Bridget"},
{'PassengerId': 53, 'Name': 'Harper, Mrs. Henry Sleeper (Myna Haxtun)'},
{'PassengerId': 62, 'Name': 'Icard, Miss. Amelie'},
{'PassengerId': 83, 'Name': 'McDermott, Miss. Brigdet Delia'},
{'PassengerId': 86, 'Name': 'Backstrom, Mrs. Karl Alfred (Maria Mathilda Gustafsson)'},
{'PassengerId': 99, 'Name': 'Doling, Mrs. John T (Ada Julia Bone)'},
{'PassengerId': 110, 'Name': 'Moran, Miss. Bertha'},
{'PassengerId': 124, 'Name': 'Webber, Miss. Susan'},
{'PassengerId': 129, 'Name': 'Peter, Miss. Anna'}]
Un code à trous
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
from fonctions_csv import *

# Importation en liste de dictionnaires


# Conversion en entiers des attributs nécessaires


# Sélection des lignes


# Projection de colonnes


# Affichage de la table
Une solution
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
from fonctions_csv import *

# Importation en liste de dictionnaires
table_titanic = importe_csv('titanic.csv')

# Conversion en entiers des attributs nécessaires
attributs_entiers(table_titanic, ['PassengerId', 'Survived', 'Age'])

# Sélection des lignes
table_femmes_etc = [dico for dico in table_titanic if (dico['Survived'] == 1) and (dico['Sex'] == 'female') and (dico['Age'] > 30)]

# Projection de colonnes
table_femmes_etc = projection(table_femmes_etc, ['PassengerId', 'Name'])

# Affichage de la table
for dico in table_femmes_etc:
    print(dico)

ProgC02.82☘

Complétez la définition de la fonction proportion_survivants() puis déterminer la proportion de survivants dans chacune des trois classes du bateau.

3
4
5
6
7
8
def proportion_survivants(classe):
    """
    classe - '1' , '2' ou '3'
    Sortie: float - valeur arrondie à 0.1 près de la proportion de survivants
            de la classe classe.
    """
Les proportions à obtenir
La proportion de survivants de la classe 1: 0.4.
La proportion de survivants de la classe 2: 0.5.
La proportion de survivants de la classe 3: 0.3.
Une solution
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
from fonctions_csv import *

def proportion_survivants(classe):
    """
    classe - '1' , '2' ou '3'
    Sortie: float - valeur arrondie à 0.1 près de la proportion de survivants
            de la classe classe.
    """
    compteurClasse = 0
    compteurSurvivant = 0
    for dico in table_titanic:
        if dico['Pclass'] == classe:
            compteurClasse += 1
            if dico['Survived'] == 1:
                compteurSurvivant += 1
    return round(compteurSurvivant/compteurClasse, 1)



# Importation en liste de dictionnaires
table_titanic = importe_csv('titanic.csv')

# Conversion en entiers des attributs nécessaires
attributs_entiers(table_titanic, ['PassengerId', 'Survived', 'Age'])

# Affichage des proportions
for classe in ('1', '2', '3'):
    print(f"La proportion de survivants de la classe {classe} : {proportion_survivants(classe)}.")

ProgC02.83☘

Rédigez un programme qui :

  1. extrait la table des survivants ;
  2. trie cette table selon l'ordre croissant des numéros de classe ;
  3. trie ensuite selon l'ordre croissant des âges ;
  4. construit la table table_titanic2 constituée uniquement des noms, classes et âges de ces passagers survivants.
La table à obtenir
[{'Pclass': '1', 'Name': 'Newsom, Miss. Helen Monypeny', 'Age': 19},
{'Pclass': '1', 'Name': 'Pears, Mrs. Thomas (Edith Wearne)', 'Age': 22},
{'Pclass': '1', 'Name': 'Fortune, Miss. Mabel Helen', 'Age': 23},
{'Pclass': '1', 'Name': 'Greenfield, Mr. William Bertram', 'Age': 23},
{'Pclass': '1', 'Name': 'Sloper, Mr. William Thompson', 'Age': 28},
{'Pclass': '1', 'Name': 'Futrelle, Mrs. Jacques Heath (Lily May Peel)', 'Age': 35},
{'Pclass': '1', 'Name': 'Cumings, Mrs. John Bradley (Florence Briggs Thayer)', 'Age': 38},
{'Pclass': '1', 'Name': 'Icard, Miss. Amelie', 'Age': 38},
{'Pclass': '1', 'Name': 'Spencer, Mrs. William Augustus (Marie Eugenie)', 'Age': 42},
{'Pclass': '1', 'Name': 'Harper, Mrs. Henry Sleeper (Myna Haxtun)', 'Age': 49},
{'Pclass': '1', 'Name': 'Bonnell, Miss. Elizabeth', 'Age': 58},
{'Pclass': '1', 'Name': 'Woolner, Mr. Hugh', 'Age': 70},
{'Pclass': '2', 'Name': 'Laroche, Miss. Simonne Marie Anne Andree', 'Age': 3},
{'Pclass': '2', 'Name': 'West, Miss. Constance Mirium', 'Age': 5},
{'Pclass': '2', 'Name': 'Caldwell, Master. Alden Gates', 'Age': 12},
{'Pclass': '2', 'Name': 'Nasser, Mrs. Nicholas (Adele Achem)', 'Age': 14},
{'Pclass': '2', 'Name': 'Ilett, Miss. Bertha', 'Age': 17},
{'Pclass': '2', 'Name': 'Rugg, Miss. Emily', 'Age': 21},
{'Pclass': '2', 'Name': 'Williams, Mr. Charles Eugene', 'Age': 22},
{'Pclass': '2', 'Name': 'Faunthorpe, Mrs. Lizzie (Elizabeth Anne Wilkinson)', 'Age': 29},
{'Pclass': '2', 'Name': 'Nye, Mrs. (Elizabeth Ramell)', 'Age': 29},
{'Pclass': '2', 'Name': 'Weisz, Mrs. Leopold (Mathilde Francoise Pede)', 'Age': 29},
{'Pclass': '2', 'Name': 'Webber, Miss. Susan', 'Age': 32},
{'Pclass': '2', 'Name': 'Beesley, Mr. Lawrence', 'Age': 34},
{'Pclass': '2', 'Name': 'Doling, Mrs. John T (Ada Julia Bone)', 'Age': 34},
{'Pclass': '2', 'Name': 'Hewlett, Mrs. (Mary D Kingcome) ', 'Age': 55},
{'Pclass': '3', 'Name': 'Sandstrom, Miss. Marguerite Rut', 'Age': 4},
{'Pclass': '3', 'Name': 'Nicola-Yarred, Master. Elias', 'Age': 12},
{'Pclass': '3', 'Name': 'Nicola-Yarred, Miss. Jamila', 'Age': 14},
{'Pclass': '3', 'Name': 'McGowan, Miss. Anna "Annie"', 'Age': 15},
{'Pclass': '3', 'Name': 'Andersson, Miss. Erna Alexandra', 'Age': 17},
{'Pclass': '3', 'Name': 'Devaney, Miss. Margaret Delia', 'Age': 19},
{'Pclass': '3', 'Name': 'Salkjelsvik, Miss. Anna Kristine', 'Age': 21},
{'Pclass': '3', 'Name': 'Nysten, Miss. Anna Sofia', 'Age': 22},
{'Pclass': '3', 'Name': 'Madsen, Mr. Fridtjof Arne', 'Age': 24},
{'Pclass': '3', 'Name': 'Hakkarainen, Mrs. Pekka Pietari (Elin Matilda Dolck)', 'Age': 24},
{'Pclass': '3', 'Name': 'Heikkinen, Miss. Laina', 'Age': 26},
{'Pclass': '3', 'Name': 'Johnson, Mrs. Oscar W (Elisabeth Vilhelmina Berg)', 'Age': 27},
{'Pclass': '3', 'Name': 'Mamee, Mr. Hanna', 'Age': 27},
{'Pclass': '3', 'Name': 'Andersson, Mr. August Edvard ("Wennerstrom")', 'Age': 27},
{'Pclass': '3', 'Name': 'Sheerlinck, Mr. Jan Baptist', 'Age': 29},
{'Pclass': '3', 'Name': 'Dowdell, Miss. Elizabeth', 'Age': 30},
{'Pclass': '3', 'Name': 'Moss, Mr. Albert Johan', 'Age': 31},
{'Pclass': '3', 'Name': "O'Driscoll, Miss. Bridget", 'Age': 32},
{'Pclass': '3', 'Name': 'Bing, Mr. Lee', 'Age': 32},
{'Pclass': '3', 'Name': 'Backstrom, Mrs. Karl Alfred (Maria Mathilda Gustafsson)', 'Age': 33},
{'Pclass': '3', 'Name': 'McDermott, Miss. Brigdet Delia', 'Age': 34},
{'Pclass': '3', 'Name': 'Moran, Miss. Bertha', 'Age': 36},
{'Pclass': '3', 'Name': 'O\'Dwyer, Miss. Ellen "Nellie"', 'Age': 37},
{'Pclass': '3', 'Name': 'Asplund, Mrs. Carl Oscar (Selma Augusta Emilia Johansson)', 'Age': 38},
{'Pclass': '3', 'Name': 'Glynn, Miss. Mary Agatha', 'Age': 41},
{'Pclass': '3', 'Name': 'Peter, Miss. Anna', 'Age': 45},
{'Pclass': '3', 'Name': 'Moubarek, Master. Gerios', 'Age': 52},
{'Pclass': '3', 'Name': 'Masselmani, Mrs. Fatima', 'Age': 64}]
Une solution

Attention, il faut penser à transformer les âges en entier sinon la chaîne de caractères '5' est triée après la chaîne de caractères '34' par exemple...

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
from fonctions_csv import *

def Age(dico):
    return dico["Age"]


def Classe(dico):
    return dico["Pclass"]

##----- Programme principal -----##
table_titanic = importe_csv('titanic.csv')

survivants = [dico for dico in table_titanic if dico['Survived'] == '1']

attributs_entiers(survivants, 'Age')

table_titanic2 = projection(survivants, ['Name', 'Pclass', 'Age'])

table_titanic2.sort(key=Age)
table_titanic2.sort(key=Classe)

for dico in table_titanic2:
    print(dico)

ProgC02.84☘

Rédigez un programme qui :

  1. extrait la liste des hommes survivants ;
  2. trie cette liste selon l'ordre croissant des numéros de classe ;
  3. trie ensuite selon l'ordre décroissant des âges ;
  4. construit la table table_titanic3 constituée uniquement des noms, classes et âges de ces passagers survivants.
La table à obtenir
[{'Pclass': '1', 'Name': 'Woolner, Mr. Hugh', 'Age': 70},
{'Pclass': '1', 'Name': 'Sloper, Mr. William Thompson', 'Age': 28},
{'Pclass': '1', 'Name': 'Greenfield, Mr. William Bertram', 'Age': 23},
{'Pclass': '2', 'Name': 'Beesley, Mr. Lawrence', 'Age': 34},
{'Pclass': '2', 'Name': 'Williams, Mr. Charles Eugene', 'Age': 22},
{'Pclass': '2', 'Name': 'Caldwell, Master. Alden Gates', 'Age': 12},
{'Pclass': '3', 'Name': 'Moubarek, Master. Gerios', 'Age': 52},
{'Pclass': '3', 'Name': 'Bing, Mr. Lee', 'Age': 32},
{'Pclass': '3', 'Name': 'Moss, Mr. Albert Johan', 'Age': 31},
{'Pclass': '3', 'Name': 'Sheerlinck, Mr. Jan Baptist', 'Age': 29},
{'Pclass': '3', 'Name': 'Mamee, Mr. Hanna', 'Age': 27},
{'Pclass': '3', 'Name': 'Andersson, Mr. August Edvard ("Wennerstrom")', 'Age': 27},
{'Pclass': '3', 'Name': 'Madsen, Mr. Fridtjof Arne', 'Age': 24},
{'Pclass': '3', 'Name': 'Nicola-Yarred, Master. Elias', 'Age': 12}]
Une solution

Attention, il faut penser à transformer les âges en entier sinon la chaîne de caractères '5' est triée après la chaîne de caractères '34' par exemple... 

from fonctions_csv import *

def Age(dico):
    return dico["Age"]


def Classe(dico):
    return dico["Pclass"]

##----- Programme principal -----##
table_titanic = importe_csv('titanic.csv')

hommes_survivants = [dico for dico in table_titanic if dico['Survived'] == '1' and dico['Sex'] == 'male']

attributs_entiers(hommes_survivants, 'Age')

table_titanic3 = projection(hommes_survivants, ['Name', 'Pclass', 'Age'])

table_titanic3.sort(key=Age, reverse=True)
table_titanic3.sort(key=Classe)

for dico in table_titanic3:
    print(dico)