Loading [MathJax]/extensions/Safe.js

Tables : COURS

Notion de Table

Nous allons dans ce cours nous intéresser aux tables. Elles correspondent à un tableau de p-uplets nommés qui partagent les mêmes descripteurs (dans de rares cas on peut utiliser un tableau de tableaux). Les différents p-uplets nommés - qui correspondent aux différentes lignes de la table – sont aussi appelés enregistrements.

En langage python il s'agit donc d'une list de dict où tous les dict ont les mêmes clés. Voici un exemple en code python :

Entrée[ ]:

Et voici la représentation mentale que l'on peut se faire de cet exemple :

Prenom Classe Note
Ali 2D 14
Béa 2F 19
Carl 2A 6
Anton 2K 13
Adeline 2D 20
Antoinette 2H 15

Voici quelques exemples d'utilisation de cette table où l'on voit que l'accès à un élément de la table se fait grâce à l'instruction :

table[index_ligne][descripteur]

Entrée[ ]:
Entrée[ ]:
Entrée[ ]:
Entrée[ ]:

Enregistrement dans un fichier

Les tables ont vocation à stocker un grand nombre d'enregistrements. Lorsqu'elles sont utilisées en production (c'est-à-dire dans des applications professionnelles), ces tables doivent pouvoir être sauvegardées dans des fichiers pouvant être utilisés par différentes applications (tableurs, langages de programmation, logiciels de saisie ou de visualisation de données etc.). Deux formats de fichiers texte servant à sauvegarder des tables sont au programme :

  • fichiers CSV (Comma-Separated Values) où les champs sont séparés par des virgules (ou des points virgules).
  • fichiers TSV (Tab-Separated Values) où les champs sont séparés par des tabulations.

Voici par exemple le contenu du fichier CSV correspondant à la table ci-dessus :

Prenom;Classe;Note
Ali;2D;14
Béa;2F;19
Carl;2A;6
Anton;2K;13
Adeline;2D;20
Antoinette;2H;15

et le contenu du fichier TSV correspondant (avec une tabulation correspondant à quatre caractères) :

Prenom  Classe  Note
Ali 2D  14
Béa 2F  19
Carl    2A  6
Anton   2K  13
Adeline 2D  20
Antoinette  2H  15

Import d'un fichier

Lors de l'import d'un fichier CSV ou TSV dans un programme écrit en langage Python, il y a quatre points à vérifier et à indiquer : - vérifier l'encodage du fichier, - vérifier le caractère de séparation, - vérifier que la première ligne du fichier comporte bien les descripteurs des différents champs, - s'assurer que l'on ferme bien le fichier après lecture (sinon il reste considéré comme ouvert par le système d'exploitation).

Voici un exemple de fonction implémentant un import de fichier csv (qui fonctionne aussi pour les fichiers tsv en remplaçant le delimiter par '\t' qui désigne une tabulation). Cette fonction prend en paramètre un chemin d'accès au fichier et retourne la table des données, c'est-à-dire une liste de dictionnaires.

L'import se fait en trois temps :

  • On obtient tout d'abord un objet qui correspond au fichier (fichier_csv).
  • Puis un objet DictReader (lecteur_csv) correspondant au fichier transformé en enregistrements,
  • En parcourant ce DictReader, on transvase ces enregistrements (dictionnaires) dans la liste table_csv.
Entrée[ ]:

Remarques concernant la ligne 5 :

  • le 'r' est là pour indiquer que l'on ouvre le fichier en lecture (r pour read),
  • le newline = '' est là pour éviter des problèmes au cas où certaines valeurs contiendraient des sauts de ligne.

Voici un exemple d'utilisation (si vous souhaitez télécharger le fichier CSV, vous le trouverez à cette adresse :https://progalgo.fr/depot/1/22_tables/datas/cours/cours_II.csv ) :

Entrée[ ]:

Point de vigilance :
Observez que ci-dessus les valeurs des notes sont des chaînes de caractères.
En général, lorsqu'on importe un fichier CSV pour en faire une table, le type des valeurs stockées dans la table est str. Ainsi les valeurs «numériques» stockées dans la table doivent être converties (grâce aux méthodes int() et float()) pour être utilisées convenablement.

Remarque : Pour faciliter l'affichage des tables, on utilisera la fonction afficher utilisant le module pandas:

Entrée[ ]:
Entrée[ ]:

Recherche dans une table

On considère un fichier csv recensant un certain nombre de films (n'ayant chacun qu'un acteur et une actrice !) :

Entrée[ ]:

Utilisons ce que nous avons déjà vu sur les listes ou dictionnaires définis par compréhension :

  • Pour obtenir la table des films dont le descripteur 'Subject' a pour valeur 'Horror' :
Entrée[ ]:
  • Pour obtenir la liste des titres des films durant moins d'une heure (remarquer la conversion en int) :
Entrée[ ]:
  • Pour obtenir la liste des actrices ayant tourné avec John Glen (remarquer la virgule dans la valeur) :
Entrée[ ]:

Tri d'une table

Nous n'allons pas utiliser les algorithmes de tri par insertion ou par sélection étudiés en cours car il existe des algorithmes beaucoup plus efficaces proposés par Python.

On considère un fichier csv recensant les scores d'un certain nombre d'adolescents.

Entrée[ ]:

Python ne peut pas deviner tout seul sur quel critère effectuer le tri (identifiant ? age ? score ? prénom ? score divisé par l'âge ?).

Pour que python effectue le tri, il faut donc fournir à python une «fonction clef de tri» : c'est une fonction qui :

  • prend en argument un enregistrement,
  • renvoie, pour cet enregistrement, la valeur que l'on souhaite prendre en compte pour le tri.

Exemple 1 : Si on souhaite trier selon les scores décroissants, la fonction clef de tri doit renvoyer le score des enregistrements et on indique à python que l'on souhaite un tri en ordre «reverse» :

Entrée[ ]:

Exemple 2 : Si on souhaite trier selon les prénoms croissants, la fonction clef de tri doit renvoyer le prénom des enregistrements (inutile de préciser à python que l'on ne souhaite pas un tri en ordre «reverse») :

Entrée[ ]:

Exemple 3 : Si on souhaite trier selon les prénoms croissants puis selon les scores décroissants, on obtiendra une table triée par scores décroissants et, pour chaque score, triée par prénom croissant :

Entrée[ ]:

Fusion de tables

Nous avons désormais deux tables : une table avec les scores des adolescents et une table avec les dates de leur dernière connexion et leurs mots de passe :

Entrée[ ]:
Entrée[ ]:

On cherche à fusionner les deux tables, c'est à dire à n'en faire qu'une seule qui réunit les informations des deux tables.

Pour cela, il y a une précondition à vérifier concernant le champ Id (identifiant) qui est le descripteur commun aux deux tables :

Deux adolescents différents ne peuvent avoir le même champ Id (logique : c'est leur numéro d'identifiant)

L'algorithme de fusion présenté ici est l'algorithme naïf en langage naturel :

table_fusion = []
Pour chaque dico_score de table_scores :
    Pour chaque dico_connex de table_connexions :
        Si dico_score['Id'] == dico_connex['Id']:
            Faire une copie de dico_ado
            Ajouter les champs 'LST_CNX' et 'MDP' à la copie de dico_ado
            Ajouter la copie de dico_ado à table_fusion

ce qui donne en python :

Entrée[ ]:

Point de vigilance :

Si la table des connexions contenait toutes les connexions des joueurs et pas seulement leur dernière connexion, un même 'Id' pourrait être présent plusieurs fois dans la table des connexions. Dans ce cas l'algorithme fonctionne encore à condition de supprimer la ligne break : on se force ainsi - pour chaque identifiant - à parcourir toute la table des connexions au lieu de s'arrêter dès qu'on trouve la première connexion correspondant à l'identifiant.

Remarque : Ici chaque 'Id' de la table des scores est présent dans la table des connexions (ce qui est logique car il faut s'être connecté pour jouer et obtenir un score). Néanmoins, si certains scores n'avaient pas été présents dans la table des connexions, l'algorithme aurait tout de même fonctionné.

Chargement de Basthon...