Anaé est née le 24 juillet 2006. Elle a deux grands frères et est la dernière enfant de la famille. Sa mère est linguiste et son père est professeur d’anglais dans le secondaire. Anaé est une petite fille pétillante, têtue et pleine d’humour, qui partage une grande complicité avec sa maman. Aliyah Morgenstern et Marie Leroy la filment entre trente minutes et une heure par mois en situation naturelle depuis ses 1;04. Son développement langagier est assez rapide et Anaé fait preuve d’une grande créativité dans la construction de son langage, inventant ses propres règles notamment au niveau de la morphologie verbale ou du genre, parfois à l’encontre des explications de ses parents.
import os
import numpy as np
import pandas as pd
import warnings
warnings.filterwarnings("ignore")
from sklearn.ensemble import RandomForestClassifier,GradientBoostingClassifier,ExtraTreesClassifier,AdaBoostClassifier
from statsmodels.tsa.seasonal import seasonal_decompose
from statsmodels.tsa.statespace.varmax import VARMAX
data_child = pd.read_csv('..\data\data_anae_final.csv',
sep = '\t',
encoding = 'utf-8',
index_col=False)
# On supprime la colonne qui duplique les index
data_child = data_child.drop(columns = 'Unnamed: 0')
data_child.head(10)
data_child.shape
data_child=data_child.sort_values(by = ['age','seconde_debut'])
data_child.head()
data_child['ind']=[ i for i in range(len(data_child))]
data_child= data_child.set_index('ind')
data_child['ind']=[ i for i in range(len(data_child))]
data_child= data_child.set_index('ind')
#data_child
On peut maintenant utiliser le fichier 'data_anae_final.csv' pour l'exploration de données.
Qu'elles sont les différents type de ligne ?
print(len(data_child['type'].unique()))
#((data_child['type']=='pho')*1).describe()
Il existe 41 types de ligne dans les fichiers Andrien :
print(data_child['type'].unique())
#list( (data_child['type']=='pho')*1 ).count(1)
#data_child['type'].where(data_child['type']=='pho').dropna()
#data_child.iloc[96880]
Les lignes de type 'pho' correspondent à la traduction phonétique lorsu'Anaé s'exprime :
pho_child = data_child[data_child['type'] == 'pho']
#pho_child
data_child.replace(['START','END'],np.nan , inplace=True)
data_child[['seconde_debut','seconde_fin']].fillna(method='ffill',inplace=True)
#data_child
2 valeurs à lâcher
#pho_child.loc[pho_child['contenu'].isna()]
#Supprime les 2 lignes
pho_child = pho_child.dropna(subset=['type', 'contenu'])
#pho_child.drop([44550,44551],inplace=True)
pho_child['index']=[i for i in range(len(pho_child))]
#pho_child.set_index('index')
Nous allons chercher à visualiser la quantité phonétique de données à disposition
On considère que la colonne age a pout format : x_xx_xx (année_mois_jour) ainsi :
pho_child['age'][0:1]
nous donne le nombre d'annéepho_child['age'][2:4]
nous donne le nombre de moispho_child['age'][5:7]
nous donne le nombre de jours#pho_child
# Ajout du nombre d'année
année_pho_child = pho_child.apply(lambda row: row['age'][0:1], axis=1)
pho_child['année'] = année_pho_child
# Ajout du nombre de mois
mois_pho_child = pho_child.apply(lambda row: row['age'][2:4], axis=1)
pho_child['mois'] = mois_pho_child
# Ajout du nombre de jour
jour_pho_child = pho_child.apply(lambda row: row['age'][5:7], axis=1)
pho_child['jour'] = jour_pho_child
#pho_child
Combien avons-nous de ligne pour chaque année ? mois ? jour ?
nb_phrase_annee = pho_child[{'année','contenu'}].groupby('année').count()
nb_phrase_annee.rename(columns={'contenu': 'nb_phrase'})
from matplotlib import pyplot as plt
nb_phrase_annee.plot(kind='bar',
subplots=True,
figsize=(10,5),
title = 'Nombre de phrases phonétiques retranscritent par année : ANAE',
fontsize = 15,
use_index = True)
plt.show()
#len(pho_child.loc[pho_child['année'] == '5'])
On voit qu'il y a des quantités de données phonétiques différentes pour chaques années :
Regardons plus en détail la quantité de données phonétiques par mois :
nb_phrase_mois = pho_child[{'année','mois','contenu'}].groupby(['année','mois']).count()
nb_phrase_mois = nb_phrase_mois.rename(columns={'contenu': 'nb_phrase'})
#nb_phrase_mois.unstack(level=1)
plt = nb_phrase_mois.unstack(level=0).plot(kind='bar',
subplots=True,
figsize=(20, 20),
title = 'Nombre de phrases phonétiques retranscritent par mois : Anae',
fontsize = 15,
use_index = True)
plt = nb_phrase_mois.plot(kind='bar',
subplots=True,
figsize=(20, 10),
title = 'Nombre de phrases phonétiques retranscritent par mois : Anae',
fontsize = 15,
use_index = True)
Regardons maintenant la quantité de données par jours :
nb_phrase_jour = pho_child[{'année','mois', 'jour', 'contenu'}].groupby(['année','mois', 'jour']).count()
nb_phrase_jour = nb_phrase_jour.rename(columns={'contenu': 'nb_phrase'})
#nb_phrase_jour
plt = nb_phrase_jour.plot(kind='bar',
subplots=True,
figsize=(20, 10),
title = 'Nombre de phrases phonétiques retranscritent par jour : Anae',
fontsize = 15,
use_index = True)
De cette manière la distribution de la quantité de données phonétique n'est pas continu. En effet nous avons découpé les données de tel sorte à avoir la quantité de données pour chaque retranscription d'Anaé. On remarque que les valeurs fluctues : il serait interressant d'observer de plus près pour connaitre les raisons de cette fluctuation :
De plus elle n'est pas distribué de manière équitable dans le temps.
On peut difficelement mesurer la croissance du nombre de prise de parole (on pourrait croiser cette donnée avec la durée de l'enregistrement pour une meilleure mesure).
On a maintenant une meilleure vision de la quantité de données phonétiques à disposition et de leur répartition dans le temps.
Nous allons chercher à explorer le nombre de mot au sens phonétique par phrase.
Pour cela on peut compter le nombre d'espace dans la chaîne de caractère :
#pho_child
# Exemple
pho = pho_child.at[1000, 'contenu']
print('Nombre de mot dans "' + pho + '" : '+ str(pho.count(' ')+1))
Pour chaque ligne on calcul le nombre de mot phonétique :
nb_mot_pho = pho_child.apply(lambda row: row['contenu'].count(' ')+1, axis=1)
pho_child['nombre_mot_phonétique'] = nb_mot_pho #On ajoute une colonne contenant le nombre de mot
Par exemple on peut avoir la phrase de Julie avec le plus grand nombre de mot :
a = pho_child.loc[pho_child['nombre_mot_phonétique'] == pho_child['nombre_mot_phonétique'].max()].contenu.values
print(a)
print('longueur: '+str(str(a).count(' ')+1))
Voici la ligne de cette phrase :
pho_child.loc[pho_child['nombre_mot_phonétique'] == 81 ]
Il est intéressant d'observer le nombre de mot moyen que contient les phrases. C'est un indicateur qui peut nous aiguiller sur l'explosion du lexicale de l'enfant.
mean_nb_mot_pho_jour = pho_child[{'année', 'mois', 'jour', 'nombre_mot_phonétique'}].groupby(['année', 'mois', 'jour']).mean()
mean_nb_mot_pho_jour = mean_nb_mot_pho_jour.rename(columns={'nombre_mot_phonétique': 'espérance_nombre_de_mot_phonétique'})
#mean_nb_mot_pho_jour
plt = mean_nb_mot_pho_jour.plot(kind='bar',
subplots=True,
figsize=(20, 13),
title = 'Espérance du nombre de mot phonétique par jours : ANAE',
fontsize = 15,
use_index = True,
grid=True)
De manière générale l'espérance du nombre de mot par phrase augmente.
var_nb_mot_pho_jour = pho_child[{'année','mois','jour', 'nombre_mot_phonétique'}].groupby(['année','mois', 'jour']).var()
var_nb_mot_pho_jour = var_nb_mot_pho_jour.rename(columns={'nombre_mot_phonétique': 'variance'})
#var_nb_mot_pho_jour
plt = var_nb_mot_pho_jour.plot(kind='bar',
subplots=True,
figsize=(20, 13),
title = 'Variance du nombre de mot phonétique par jours : Julie',
fontsize = 15,
use_index = True,
grid=True)
max_mot_pho_child = pho_child[{'année','mois','jour', 'nombre_mot_phonétique'}].groupby(['année','mois','jour']).max()
max_mot_pho_child = max_mot_pho_child.rename(columns={'nombre_mot_phonétique': 'longueur_max'})
#max_mot_pho_child
plt = max_mot_pho_child.plot(kind='bar',
subplots=True,
figsize=(20, 13),
title = 'Longueur de la plus grande par jour : Anae',
fontsize = 15,
use_index = True,
grid=True)
#Exemple: selection des phrases de 12 mots à l'age 2,xx,xx
#pho_child.loc[pho_child['année'] == '2'].loc[pho_child.loc[pho_child['année'] == '2']['nombre_mot_phonétique'] == 12]