import pandas as pd
import numpy as np
import [Link] as plt
import seaborn as sns
# Pour la reproductibilité
[Link](42)
###############################################
# 1. Génération du dataset pour l’eau potable
###############################################
nb_menages = 120
data_eau = {
“ID”: range(1, nb_menages + 1),
“NbOccupants”: [Link](2, 10, nb_menages),
# Consommation d’eau en m³/mois entre 5 et 20
“Eau_Consommation_m3”: [Link](5, 20, nb_menages),
# Nombre d’heures de coupure par mois (entre 0 et 4 heures)
“Eau_Coupures_heures”: [Link](0, 5, nb_menages),
# Facturation en CDF/mois (entre 5000 et 20000 CDF)
“Eau_Facture_CDF”: [Link](5000, 20000, nb_menages)
df_eau = [Link](data_eau)
################################################
# 2. Génération du dataset pour l’électricité
################################################
data_elec = {
“ID”: range(1, nb_menages + 1),
“NbOccupants”: [Link](2, 10, nb_menages),
# Consommation électrique en kWh/mois entre 80 et 250
“Elec_Consommation_kWh”: [Link](80, 250, nb_menages),
# Nombre d’heures de coupure par mois (entre 0 et 9 heures)
“Elec_Coupures_heures”: [Link](0, 10, nb_menages),
# Facturation en CDF/mois (entre 15000 et 50000 CDF)
“Elec_Facture_CDF”: [Link](15000, 50000, nb_menages)
df_elec = [Link](data_elec)
###############################################
# 3. Analyse descriptive et comparaisons
###############################################
print(”----- Analyse descriptive - Eau potable -----“)
print(df_eau.describe())
print(”\nPremières lignes du dataset Eau:”)
print(df_eau.head())
print(”\n----- Analyse descriptive - Électricité -----“)
print(df_elec.describe())
print(”\nPremières lignes du dataset Électricité:”)
print(df_elec.head())
# Matrices de corrélation
corr_eau = df_eau[[”NbOccupants”, “Eau_Consommation_m3”, “Eau_Coupures_heures”,
“Eau_Facture_CDF”]].corr()
corr_elec = df_elec[[”NbOccupants”, “Elec_Consommation_kWh”, “Elec_Coupures_heures”,
“Elec_Facture_CDF”]].corr()
print(”\n----- Corrélation dans le dataset Eau -----“)
print(corr_eau)
print(”\n----- Corrélation dans le dataset Électricité -----“)
print(corr_elec)
###############################################
# 4. Visualisations
###############################################
[Link](style=”whitegrid”)
## 4.1 Pour l’eau : Distribution de la consommation d’eau
[Link](figsize=(10, 6))
[Link](df_eau[”Eau_Consommation_m3”], bins=10, kde=True, color=”blue”)
[Link](”Distribution de la consommation d’eau (m³/mois)”)
[Link](”Consommation d’eau (m³)”)
[Link](”Nombre de ménages”)
[Link]()
## 4.2 Pour l’eau : Relation entre consommation et facture
[Link](figsize=(10, 6))
[Link](x=”Eau_Consommation_m3”, y=”Eau_Facture_CDF”, data=df_eau,
hue=”NbOccupants”, palette=”viridis”, s=80)
[Link](”Relation entre consommation d’eau et facture”)
[Link](”Consommation d’eau (m³/mois)”)
[Link](”Facture Eau (CDF/mois)”)
[Link](title=”Nb d’occupants”)
[Link]()
## 4.3 Pour l’électricité : Distribution de la consommation électrique
[Link](figsize=(10, 6))
[Link](df_elec[”Elec_Consommation_kWh”], bins=10, kde=True, color=”green”)
[Link](”Distribution de la consommation électrique (kWh/mois)”)
[Link](”Consommation électrique (kWh)”)
[Link](”Nombre de ménages”)
[Link]()
## 4.4 Pour l’électricité : Relation entre consommation et facture
[Link](figsize=(10, 6))
[Link](x=”Elec_Consommation_kWh”, y=”Elec_Facture_CDF”, data=df_elec,
hue=”NbOccupants”, palette=”coolwarm”, s=80)
[Link](”Relation entre consommation électrique et facture”)
[Link](”Consommation électrique (kWh/mois)”)
[Link](”Facture Électricité (CDF/mois)”)
[Link](title=”Nb d’occupants”)
[Link]()
###############################################
# 5. Évaluation des besoins et propositions d’amélioration
###############################################
# Exemple d’analyse supplémentaire :
# Vérifions si la consommation (eau et électricité) est proportionnelle au nombre d’occupants
moy_eau_par_occupant = df_eau[”Eau_Consommation_m3”].sum() / df_eau[”NbOccupants”].sum()
moy_elec_par_occupant = df_elec[”Elec_Consommation_kWh”].sum() /
df_elec[”NbOccupants”].sum()
print(f”\nConsommation d’eau moyenne par occupant : {moy_eau_par_occupant:.2f} m³/mois”)
print(f”Consommation électrique moyenne par occupant : {moy_elec_par_occupant:.2f} kWh/mois”)
# Pistes de réflexion pour l’amélioration :
# - Si les heures de coupure sont élevées, il pourrait être nécessaire d’investir dans la modernisation
des infrastructures.
# - Si la facturation ne suit pas la consommation réelle (faible corrélation), il faut revoir le système de
mesure (compteurs individuels).
# - La mise en place d’un tableau de bord intégré qui combine ces indicateurs faciliterait la prise de
décision.
print(”\nRecommandations préliminaires :”)
print(”- Pour l’eau : Moderniser le réseau, installer des compteurs individuels, et ajuster la
tarification pour qu’elle reflète la consommation réelle.”)
print(”- Pour l’électricité : Réduire le nombre d’heures de coupure grâce à une meilleure
maintenance du réseau, installer des systèmes de prépaiement et promouvoir des solutions
d’énergie renouvelable.”)
print(”- Mettre en place un tableau de bord de suivi intégrant les indicateurs de consommation,
coupures et facturation afin d’optimiser la gestion des ressources.”)
###############################################
# Fin du script
###############################################