Julie est une petite fille belge née le 10 décembre 2006. Elle est la deuxième d’une famille de 3 enfants. Elle a un frère, Ulysse, de 15 mois son aîné, avec qui elle a une relation très complice et une petite sœur Philippine, de 3 ans sa cadette.
Sa mère, Françoise Bourdoux, est othophoniste et son père ingénieur. Elle est filmée depuis l’âge de 10 mois, une heure par mois, en situation de jeux avec son frère ou seule. C'est une petite fille très spontanée qui aime s'exprimer, communiquer, raconter des histoires, mettre en scène des personnages ...
Récupèrer la liste des noms de fichier pour Julie :
import os
import numpy as np
import pandas as pd
import warnings
warnings.filterwarnings("ignore")
#print(os.getcwd())
#os.chdir('C:\\Users\\Lamou\\Desktop\\MIASHS\\TER_a\\data\\julie_texte')
#listing=os.listdir() # On crée une liste de tout les noms des fichiers
#listing
Nous avons 29 fichiers pour Julie, chacun de ses fichiers corresepondent aux retrancriptions d'un enregistrement vidéo.
os.chdir('C:\\Users\\Lamou\\Desktop\\MIASHS\\TER_a\\data\\julie_texte')
d = {} # Le dictionnaire contenant les noms des fichiers
nom_col = ['type', 'seconde_debut', 'seconde_fin', 'contenu']
rows = 0 #Compteur de ligne pour vérifier la perte de données
for file in listing:
d[file]=pd.read_csv(file,
sep = '\t',
names = nom_col,
header = None)
# On ajoute le nom de l'enfant
nom_pos1 = 0
nom_pos2 = file.find('-')
nom = file[nom_pos1:nom_pos2]
d[file]['enfant'] = nom
#On ajoute l'age de l'enfant
age_pos1 = file.find('_')-1
age_pos2 = file.find('.')
age = file[age_pos1:age_pos2]
d[file]['age'] = age
rows += len(d[file])
# DataFrame contenant toutes les lignes de l'enfant
data = pd.concat([d[file] for file in listing],
sort=False,
ignore_index=True)
#data.shape
On vérifie qu'il y a autant de ligne lu (variable rows) que de ligne écritent (len(data))
print(rows == len(data))
#data=data[['enfant', 'age','type', 'seconde_debut', 'seconde_fin', 'contenu']]
#data.head()
# Création du fichier enfant
os.chdir('C:\\Users\\Lamou\\Desktop\\MIASHS\\TER_a\\data')
data.to_csv('data_julie_final.csv',
encoding = 'utf-8',
sep = '\t',
header = True)
On peut maintenant utiliser le fichier 'data_julie_final.csv' pour l'exploration de données.
os.chdir('C:\\Users\\Lamou\\Desktop\\MIASHS\\TER_a\\data')
data_child = pd.read_csv('data_julie_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
Qu'elles sont les différents type de ligne ?
print(len(data_child['type'].unique()))
Il existe 26 types de ligne dans les fichiers Julie :
print(data_child['type'].unique())
Les lignes de type 'pho' correspondent à la traduction phonétique lorsque Julie s'exprime :
pho_child = data_child[data_child['type'] == 'pho']
#pho_child
Il existe une valeur NaN dans la colonne contenu, nous allons la supprimer :
#pho_child.loc[pho_child['contenu'].isna()]
#Supprime les valeurs NaN
pho_child = pho_child.dropna(subset=['type', 'contenu'])
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# 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'})
plt = nb_phrase_annee.plot(kind='bar',
subplots=True,
figsize=(10,5),
title = 'Nombre de phrases phonétiques retranscritent par année : Julie',
fontsize = 15,
use_index = True)
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)
Nous avons seulement 6 lignes pour l'age 5_10_xx
On voit aussi qu'il y a des mois sans données, cela vérifie qu'il y ait moins de données pour les années 0, 4 et 5
plt = nb_phrase_mois.unstack(level=0).plot(kind='bar',
subplots=True,
figsize=(25, 30),
title = 'Nombre de données phonétiques par mois : Julie',
fontsize = 15,
use_index = True)
On voit qu'il y a moins d'enregistrements effectués sur Julie la troisième année et surtout sur les quatrième et cinquième année (en effet elles ne contiennent qu'un mois avec une quantité de données significative)
plt = nb_phrase_mois.plot(kind='bar',
subplots=True,
figsize=(20, 10),
title = 'Nombre de données phonétiques par mois : Julie',
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
On voit qu'il n'y a aucun mois avec plus de un jour, il ne sert donc pas d'explorer plus loin ...
plt = nb_phrase_jour.plot(kind='bar',
subplots=True,
figsize=(20, 10),
title = 'Nombre de phrases phonétiques retranscritent par jour : Julie',
fontsize = 15,
use_index = True)
De cette manière on a une distribution plus homogène de la quantité de données phonétique. En effet nous avons découpé les données de tel sorte à avoir la quantité de données pour chaque enregistrement de Julie. Mais elle n'est pas distribué de manière équitable dans le temps. On peut mesurer la croissance du nombre de prise de parole (on pourrait croiser cette donnée avec la durée de l'enregistrement pour une meilleure mesure).
Pour cela nous devons ignorer les quantités pour les ages (car ces quantités ne sont pas représentatives et cela fausserais notre mesure):
On a maintenant une meilleure vision de la quantité de données phonétiques à disposition et de leur répartition dans le temps pour Julie.
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[68626, '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'] == 48 ]
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 : Julie',
fontsize = 15,
use_index = True,
grid=True)
On constaste que l'espérance augmente en fonction du temps
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 : Antoine',
fontsize = 15,
use_index = True,
grid=True)
On voit que la plus grande phrase de Julie pour l'enregistrement à l'age 1,11,11 est la valeur la plus faible pour tous les enregistrements
#Exemple: selection des phrases de 12 mots à l'age 1,xx,xx
#pho_child.loc[pho_child['année'] == '1'].loc[pho_child.loc[pho_child['année'] == '1']['nombre_mot_phonétique'] == 12]