Antoine est né le 10 avril 2006. Son père est consultant en informatique bancaire et sa mère est responsable d’une agence de voyage. Il est le premier enfant de la famille et a maintenant un petit frère de deux ans et dix mois de moins que lui. Antoine est un petit garçon gracieux, sociable et prudent qui aime explorer le monde qui l’entoure.
Christophe Parisse l’a filmé pour la première fois alors qu’il n’était âgé que de 13 jours! Depuis, il se rend dans sa famille environ une heure par mois. Antoine n’est pas un petit garçon naturellement bavard et préfère communiquer par le regard ou des sous-entendus. Par conséquent, il est difficile de qualifier son développement langagier de bon ou moyen car il ne produit pas énormément d’énoncés mais lorsqu’il s’exprime, il parle correctement.
Récupèrer la liste des noms de fichier pour Antoine :
import os
import pandas as pd
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\\antoine_texte')
#listing=os.listdir() # On crée une liste de tout les noms des fichiers
#listing
Nous avons 61 fichiers pour Antoine, chacun de ses fichiers corresepondent aux retrancriptions d'un enregistrement vidéo.
os.chdir('C:\\Users\\Lamou\\Desktop\\MIASHS\\TER_a\\data\\antoine_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_antoine_final.csv',
encoding = 'utf-8',
sep = '\t',
header = True)
On peut maintenant utiliser le fichier 'data_antoine_finale.csv' pour l'exploration de données.
os.chdir('C:\\Users\\Lamou\\Desktop\\MIASHS\\TER_a\\data')
data_antoine = pd.read_csv('data_antoine_final.csv',
sep = '\t',
encoding = 'utf-8',
index_col=False)
# On supprime la colonne qui duplique les index
data_antoine = data_antoine.drop(columns = 'Unnamed: 0')
#data_antoine.loc[data_antoine['age'] == '0_00_13']
Qu'elles sont les différents type de ligne ?
print(len(data_antoine['type'].unique()))
Il existe 51 types de ligne dans les fichiers Antoine :
print(data_antoine['type'].unique())
Les lignes de type 'pho' correspondent à la traduction phonétique lorsque Antoine s'exprime :
pho_antoine = data_antoine[data_antoine['type'] == 'pho']
#pho_antoine
xpho_antoine = data_antoine[data_antoine['type'] == 'xpho']
#xpho_antoine
Il existe 4 valeurs NaN dans la colonne contenu, nous allons les supprimer :
#pho_antoine.loc[pho_antoine['contenu'].isna()]
#Supprime les 4 lignes
#pho_antoine = pho_antoine.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_antoine['age'][0:1]
nous donne le nombre d'annéepho_antoine['age'][2:4]
nous donne le nombre de moispho_antoine['age'][5:7]
nous donne le nombre de jours# Ajout du nombre d'année
année_pho_antoine = pho_antoine.apply(lambda row: row['age'][0:1], axis=1)
pho_antoine['année'] = année_pho_antoine
# Ajout du nombre de mois
mois_pho_antoine = pho_antoine.apply(lambda row: row['age'][2:4], axis=1)
pho_antoine['mois'] = mois_pho_antoine
# Ajout du nombre de jour
jour_pho_antoine = pho_antoine.apply(lambda row: row['age'][5:7], axis=1)
pho_antoine['jour'] = jour_pho_antoine
#pho_antoine
Combien avons-nous de ligne pour chaque année ? mois ? jour ?
nb_phrase_annee = pho_antoine[{'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 : Antoine',
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_antoine[{'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 moins de 5 phrases pour les ages :
On voit aussi qu'il y a des mois sans données, cela vérifie qu'il y ait moins de données pour les années 3, 4 et 5
plt = nb_phrase_mois.unstack(level=0).plot(kind='bar',
subplots=True,
figsize=(20, 20),
title = 'Nombre de phrases phonétiques retranscritent par mois : Antoine',
fontsize = 15,
use_index = True)
En effet on voit qu'il y a moins d'enregistrements effectués sur Antoine les troisième et quatrième années. De même la cinquième année ne contient qu'un mois avec une quantité de données significative. On voit encore ici que la sixième contient une seule ligne de traduction phonétique.
plt = nb_phrase_mois.plot(kind='bar',
subplots=True,
figsize=(20, 10),
title = 'Nombre de phrases phonétiques retranscritent par mois : Antoine',
fontsize = 15,
use_index = True)
Cette distribution n'est pas homogène, de plus elle n'est pas distribuée de manière équitable dans le temps. En effet nous avons ici plus de données pour les années 1 et 2
Regardons maintenant la quantité de données par jours :
nb_phrase_jour = pho_antoine[{'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 phrases phonétiques retranscritent par jour : Antoine',
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 d'Antoine. Mais elle n'est pas distribuée 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 devrons être attentifs aux quantités pour les ages :
(Car ces quantités ne sont pas représentatives et cela pourrait fausser nos mesure)
On a maintenant une meilleure vision du nombre de la quantité de données phonétiques à disposition et de leur répartition dans le temps pour Antoine.
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 :
# Exemple
pho = pho_antoine.at[141596, '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_antoine.apply(lambda row: row['contenu'].count(' ')+1, axis=1)
pho_antoine['nombre_mot_phonétique'] = nb_mot_pho #On ajoute une colonne contenant le nombre de mot
Par exemple on peut avoir la phrase d'Antoine avec le plus grand nombre de mot :
pho_antoine.loc[pho_antoine['nombre_mot_phonétique'] == pho_antoine['nombre_mot_phonétique'].max()].contenu.values
Voici la ligne de cette phrase :
pho_antoine.loc[pho_antoine['nombre_mot_phonétique'] == 36 ]
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_antoine_jour = pho_antoine[{'année', 'mois', 'jour', 'nombre_mot_phonétique'}].groupby(['année', 'mois', 'jour']).mean()
mean_nb_mot_pho_antoine_jour = mean_nb_mot_pho_antoine_jour.rename(columns={'nombre_mot_phonétique': 'espérance_nombre_de_mot_phonétique'})
#mean_nb_mot_pho_antoine_jour
plt = mean_nb_mot_pho_antoine_jour.plot(kind='bar',
subplots=True,
figsize=(20, 13),
title = 'Espérance du nombre de mot phonétique par mois : Antoine',
fontsize = 15,
use_index = True,
grid=True)
var_nb_mot_pho_antoine = pho_antoine[{'année','mois','nombre_mot_phonétique'}].groupby(['année','mois']).var()
var_nb_mot_pho_antoine = var_nb_mot_pho_antoine.rename(columns={'nombre_mot_phonétique': 'variance'})
#var_nb_mot_pho_antoine.unstack(level=1)
plt = var_nb_mot_pho_antoine.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)
max_mot_pho_antoine = pho_antoine[{'année','mois','nombre_mot_phonétique'}].groupby(['année','mois']).max()
max_mot_pho_antoine = max_mot_pho_antoine.rename(columns={'nombre_mot_phonétique': 'longueur_max'})
#max_mot_pho_antoine.unstack(level=1)
plt = max_mot_pho_antoine.plot(kind='bar',
subplots=True,
figsize=(20, 20),
title = 'Longueur de la plus grande par jour : Antoine',
fontsize = 15,
use_index = True,
grid=True)
On voit qu'antoine a s'est exprimer à l'age 1_01_xx avec une phrase comportant un nombre de mot assez grand :
pho_antoine.loc[pho_antoine['année'] == '1'].loc[pho_antoine.loc[pho_antoine['année'] == '1']['nombre_mot_phonétique'] == 12]
#pho_antoine
#pho_antoine_annee_1.loc[pho_antoine_annee_1['nombre_mot_phonétique'] == pho_antoine_annee_1['nombre_mot_phonétique'].max()]