compte_rendu.

md 2026-01-06

Tableau récapitulatif des décisions et actions de nettoyage

Le présent tableau consolide l'ensemble des décisions méthodologiques et opérationnelles prises au cours des sections
précédentes. Il constitue le référentiel unique pour l'exécution du pipeline de nettoyage des données du projet Seattle Energy
Benchmarking 2016. Chaque ligne correspond à une action atomique, justifiée par les analyses diagnostiques menées et
ordonnée selon une séquence logique d'exécution.

Ordre d'exécution du pipeline de nettoyage

Nous avons défini la séquence d'exécution suivante pour garantir l'intégrité de la modélisation :

1. Section 0 : Filtrage du périmètre.

2. Section 2 : Audit de cohérence physique.
3. Section 3 : Détection des outliers statistiques.
4. Section 1 : Gestion des valeurs manquantes et suppression des colonnes.

Justification et choix méthodologique

Nous avons choisi de placer la Section 1 en dernière position car l'imputation des valeurs manquantes ou la suppression
préventive de colonnes risqueraient de masquer des réalités physiques ou de biaiser les distributions statistiques nécessaires au
calcul des bornes IQR. En auditant d'abord la cohérence arithmétique (Section 2) et les déviations extrêmes (Section 3), nous
travaillons sur un signal pur, non pollué par des valeurs artificielles injectées lors d'une imputation. Cet ordre permet de qualifier
précisément chaque bâtiment avant de décider si son manque de données justifie une exclusion finale.

Nous précisons que dans notre environnement de travail, l'ordre initial importait peu car nos fonctions d'audit ne modifiaient
pas le jeu de données brutes. Les algorithmes statistiques utilisés ignorent nativement les valeurs nulles, ce qui garantit que le
calcul de nos seuils reste identique, que les valeurs manquantes aient été flagguées ou non. Cette robustesse nous a permis
d'isoler les incohérences physiques majeures sans dénaturer la représentativité du parc immobilier de Seattle pour la prédiction
des émissions de CO2.

Remarque méthodologique sur l'imputation par strate

Lors de l'application des diagnostics et des audits de la Section 1, nous avons constaté que certains sous-groupes d'usage
(PrimaryPropertyType) étaient statistiquement sous-représentés ou ne présentaient aucune donnée valide pour certaines
variables structurelles (notamment le nombre d'étages).

Face à ces "tranches vides" (détectées par les avertissements de type Mean of empty slice), nous avons pris la décision
d'implémenter une imputation en cascade :

Priorité à la spécificité : L'imputation est d'abord tentée au niveau de la sous-catégorie d'usage pour préserver la
cohérence architecturale.
Sécurité par palier : En cas d'absence de référentiel dans la sous-catégorie, le pipeline bascule sur la médiane globale du
projet en dernier ressort.
Audit de fiabilité : Cette décision permet de garantir un dataset 100% exploitable par les algorithmes de Machine
Learning tout en marquant explicitement (via la colonne IsZeroFloorReported) les lignes dont la valeur a été
reconstituée.

Remarque méthodologique sur la fiabilisation des intensités énergétiques (EUI)

La validité d'un modèle de prédiction des émissions de CO2 dépend directement de la cohérence interne des variables
d'intensité. L'EUI (Energy Use Intensity) constitue l'indicateur pivot du dataset puisqu'il normalise la consommation énergétique
par la dimension spatiale du bâtiment. Cependant, l'analyse diagnostique a révélé que les données d'intensité originales étaient
inexploitables en l'état pour deux raisons fondamentales. D'une part, la correction préalable des consommations normalisées
(Weather Normalized) a mécaniquement rendu les intensités d'origine obsolètes. D'autre part, la détection d'observations

1 / 12
compte_rendu.md 2026-01-06

affichant une intensité nulle malgré une consommation positive signalait une corruption logique du reporting initial (données
manquantes ou erreurs de calcul tiers).

Restauration de la cohérence physique (Weather Normalized)

Nous avons identifié une faille critique dans les données d'origine : de nombreuses lignes affichaient une consommation brute
strictement positive, alors que les variables normalisées météo (SiteEnergyUseWN, SiteEUIWN et SourceEUIWN) étaient
nulles ou manquantes. Physiquement, un bâtiment qui consomme de l'énergie ne peut pas avoir une consommation normalisée
nulle. Pour corriger ce biais qui aurait conduit à écarter injustement des bâtiments valides ou à fausser les moyennes, nous
avons forcé la copie de la valeur brute vers la variable normalisée dès que cette anomalie était détectée. Cette étape de
synchronisation garantit que l'impact climatique est neutralisé sans ignorer la réalité de la consommation énergétique mesurée.

Justification du référentiel de surface

Pour que nos calculs d'intensité soient fiables, nous avons dû déterminer s'il fallait diviser la consommation par la surface totale
de la parcelle ou par la surface brute du bâtiment . Nos tests ont conclu que seule la surface bâtie permet de retrouver
exactement les valeurs déclarées par la ville de Seattle. En isolant ainsi l'enveloppe thermique, nous évitons de diluer
artificiellement la consommation des bâtiments dotés de vastes parkings ou jardins. Ce choix nous permet de démasquer
l'inefficacité réelle des structures qui, autrement, auraient paru performantes grâce à l'étendue de leur terrain.

Ce choix de restaurer les valeurs normalisées nous a imposé de recalculer systématiquement les intensités énergétiques (EUI)
correspondantes pour maintenir une cohérence totale dans notre dataset. Nous ne pouvions pas nous contenter des ratios
déclarés, car ils ne reflétaient plus la réalité physique après notre intervention sur les consommations globales. En recalculant
nous-mêmes ces indicateurs, nous garantissons que chaque intensité repose sur les mêmes règles de calcul et sur les surfaces
bâties réelles.

Structure du tableau

Le tableau est organisé en colonnes distinctes permettant une traçabilité complète des opérations de nettoyage. La colonne
Ordre définit la séquence d'exécution des actions, garantissant que les dépendances entre transformations sont respectées. La
colonne Variable cible identifie précisément la ou les variables concernées par l'action. La colonne Action technique spécifie
l'opération concrète à implémenter dans le code. La colonne Justification méthodologique explicite le raisonnement analytique
qui sous-tend la décision. Enfin, la colonne Validation attendue précise les contrôles qualité à effectuer après exécution.

Section 0

Ordre Variable cible Action technique Justification méthodologique Validation attendue

Vérifier que
BuildingType ne
Filtrer et conserver
Le périmètre du projet est strictement contient plus aucune
uniquement les
limité aux bâtiments non résidentiels. des trois modalités
observations où
Les bâtiments résidentiels obéissent à résidentielles.
BuildingType est
des logiques de consommation Contrôler que la
différent de
énergétique structurellement dimension du
BuildingType et Multifamily MR (5-
1 différentes. Leur inclusion introduirait dataframe a diminué
PrimaryPropertyType 9), Multifamily HR
une hétérogénéité incompatible avec du nombre attendu de
(10+) et Multifamily
l'objectif de modélisation. Cette lignes résidentielles.
LR (1-4) et
restriction est conforme au cahier des Confirmer que toutes
PrimaryPropertyType
charges métier et assure la cohérence les modalités restantes
est vraiment non-
statistique des analyses ultérieures. correspondent bien à
residentiel
des usages non
résidentiels.

2 / 12
compte_rendu.md 2026-01-06

Ordre Variable cible Action technique Justification méthodologique Validation attendue

L'analyse du bâtiment identifiant 50101

Vérifier que la modalité
(Burke Museum, classé University dans
Nonresidential WA a
PrimaryPropertyType) révèle une
totalement disparu du
incohérence taxonomique. La modalité
jeu de données.
Nonresidential WA ne possède qu'une
Remplacer la Confirmer que le
seule occurrence et son usage
modalité nombre d'occurrences
2 BuildingType correspond à la définition standard de
Nonresidential WA de NonResidential a
NonResidential. Cette harmonisation
par NonResidential augmenté d'une unité.
élimine une catégorie singleton qui
S'assurer que le
n'apporte aucune valeur discriminante
bâtiment 50101 est
et risque de poser des problèmes lors
désormais classé
de l'encodage ou de la validation
NonResidential.
croisée.

Section 2

Justification
Ordre Variable cible Action technique Validation attendue
méthodologique

Une surface totale

nulle ou négative
constitue une
impossibilité physique
absolue. Un bâtiment
ne peut exister sans
occuper d'espace.
Cette anomalie révèle Vérifier qu'aucune
soit une erreur de observation ne présente
saisie critique, soit une une valeur de
absence totale de PropertyGFATotal inférieure
données exploitables ou égale à zéro après
Supprimer toutes les lignes pour le calcul des nettoyage. Confirmer que
3 PropertyGFATotal où PropertyGFATotal est intensités toutes les valeurs de
inférieur ou égal à zéro énergétiques. La PropertyGFATotal sont
conservation de telles strictement positives.
lignes corromprait Documenter le nombre
mécaniquement tous exact de lignes supprimées
les ratios énergétiques pour cette raison dans les
par unité de surface, logs de traçabilité.
rendant impossible la
comparaison entre
bâtiments et faussant
les distributions des
variables dérivées
comme l'EUI (Energy
Use Intensity).

3 / 12
compte_rendu.md 2026-01-06

Justification
Ordre Variable cible Action technique Validation attendue
méthodologique

Les variables de
consommation
énergétique et
d'émissions de gaz à
effet de serre ne
peuvent être négatives
par définition
physique. Une
consommation
négative violerait le Confirmer l'absence totale
premier principe de la de valeurs négatives dans
thermodynamique. Ces les quatre variables
valeurs traduisent des énergétiques critiques après
erreurs de saisie, des nettoyage. Contrôler que
problèmes de les distributions de ces
Supprimer toutes les lignes
SiteEnergyUse(kBtu), conversion d'unités ou variables ne présentent plus
présentant au moins une
TotalGHGEmissions, des corruptions de d'anomalies dans les
4 valeur strictement négative
Electricity(kBtu), données lors de queues de distribution
dans ces variables
NaturalGas(kBtu) l'export. Leur maintien négatives. Documenter
énergétiques
introduirait un biais précisément quelles
systématique dans variables étaient négatives
l'estimation des pour chaque ligne
distributions et supprimée afin d'identifier
pourrait conduire le d'éventuels patterns
modèle à apprendre systématiques d'erreur.
des patterns aberrants.
Une seule variable
négative suffit à
invalider l'ensemble de
l'observation car elle
signale une défaillance
globale du processus
de reporting pour ce
bâtiment.

4 / 12
compte_rendu.md 2026-01-06

Justification
Ordre Variable cible Action technique Validation attendue
méthodologique

Les variables Weather

Normalized
synchronisées avec
leurs équivalents bruts
garantissent la
cohérence
déterministe entre
Vérifier que toutes les lignes
consommation et
avec énergie brute positive
intensité. Cette
disposent désormais d'une
correction technique
Pour toutes les lignes où la valeur WN cohérente.
préserve l'exploitabilité
variable brute est Contrôler l'absence de
des observations en
strictement positive mais la valeurs nulles résiduelles
SiteEnergyUseWN(kBtu), évitant les divisions
variable Weather dans les variables Weather
5 SiteEUIWN(kBtu/sf), par zéro lors du
Normalized est nulle ou Normalized lorsque les
SourceEUIWN(kBtu/sf) recalcul des intensités
manquante, copier la valeur variables brutes sont
énergétiques.
brute dans la variable positives. Valider que cette
L'hypothèse sous-
normalisée synchronisation n'a pas créé
jacente est que
de nouvelles incohérences
l'absence de correction
avec d'autres variables
météorologique est
dérivées.
moins préjudiciable
pour la modélisation
qu'une valeur nulle
aberrante qui
corromprait les calculs
d'intensité
énergétique.

5 / 12
compte_rendu.md 2026-01-06

Justification
Ordre Variable cible Action technique Validation attendue
méthodologique

L'analyse qualitative de
seize bâtiments
déclarant zéro étage a
révélé deux
populations distinctes.
D'une part, des
structures individuelles
massives comme le
Grand Hyatt Seattle ou
le centre commercial
Pacific Place, pour
lesquelles le zéro
constitue
manifestement une
Vérifier que
erreur de saisie ou une
IsZeroFloorReported
omission lors du
contient exactement le
reporting. D'autre part,
nombre de 1 correspondant
des entités agrégées
au nombre initial de
Créer une variable binaire de type Campus
bâtiments avec
IsZeroFloorReported valant comme l'University of
NumberofFloors inférieur
1 si NumberofFloors était Washington, pour
ou égal à zéro. Contrôler
initialement inférieur ou lesquelles le concept
que IsAggregatedCampus
6 NumberofFloors égal à zéro et 0 sinon, puis d'étage perd son sens
identifie correctement tous
créer une variable binaire car il s'agit d'un
les bâtiments de type
IsAggregatedCampus valant ensemble de
Campus. Valider que ces
1 si BuildingType est égal à bâtiments distincts. La
variables sont créées avant
Campus et 0 sinon création de ces deux
toute modification de la
flags permet de
variable NumberofFloors
préserver cette
elle-même. S'assurer que
information
les deux flags sont de type
structurelle tout en
binaire strict.
facilitant le traitement
différencié ultérieur. Le
flag
IsZeroFloorReported
servira d'indicateur de
confiance pour les
futures imputations,
tandis que
IsAggregatedCampus
permettra au modèle
de distinguer les
agrégats multi-
bâtiments des
structures uniques.

6 / 12
compte_rendu.md 2026-01-06

Justification
Ordre Variable cible Action technique Validation attendue
méthodologique

Pour les bâtiments

déclarant zéro étage,
la valeur zéro ne peut
être maintenue car elle
créerait des calculs de
densité aberrants
(surface infinie par
étage) lors des
analyses
multidimensionnelles
et de la détection
d'outliers. Le recodage
en NaN permet de
traiter explicitement
Confirmer que tous les
cette absence
bâtiments avec zéro étage
d'information plutôt
ont été recodés en NaN.
que de conserver une
Contrôler que le nombre de
valeur physiquement
Pour les lignes où valeurs manquantes dans
incohérente. Cette
NumberofFloors est NumberofFloors a
7 NumberofFloors transformation
inférieur ou égal à zéro, augmenté exactement du
préserve l'ensemble
remplacer la valeur par NaN nombre attendu de
des autres variables de
conversions. Valider que les
l'observation,
lignes recodées conservent
notamment les
toutes leurs autres variables
consommations
intactes.
énergétiques et les
surfaces qui restent
exploitables. Les
valeurs manquantes
ainsi créées seront
imputées
ultérieurement en
Section 1 par des
méthodes statistiques
basées sur la relation
entre surface totale et
nombre d'étages au
sein de chaque
catégorie d'usage.

7 / 12
compte_rendu.md 2026-01-06

Justification
Ordre Variable cible Action technique Validation attendue
méthodologique

La correction des
consommations
Weather Normalized
rend les intensités
d'origine caduques. Le Confirmer que le
recalcul est dénominateur utilisé exclut
indispensable pour les surfaces hors-bâti pour
restaurer la cohérence maintenir la précision
Recalculer les intensités déterministe entre mathématique du ratio.
énergétiques en divisant les l'énergie et la surface. Vérifier l'absence de valeurs
consommations Le choix de infinies suite au recalcul et à
normalisées corrigées par PropertyGFABuilding(s) leur remplacement par
SiteEUIWN(kBtu/sf),
8 PropertyGFABuilding(s) comme dénominateur, NaN. Contrôler que la
SourceEUIWN(kBtu/sf)
(reviens au meme que de le validé par une MAE de corrélation entre les
faire uniquement pour les 0.00, garantit nouvelles intensités et les
batiments avec variables l'alignement strict avec émissions de CO2 est
WN modifié la méthodologie de renforcée. Valider la
Seattle. Cette mise en disparition des
conformité élimine le incohérences où l'énergie
biais induit par les est positive mais l'intensité
surfaces non chauffées nulle.
(parkings) et fiabilise la
détection ultérieure
des outliers de
performance.

8 / 12
compte_rendu.md 2026-01-06

Justification
Ordre Variable cible Action technique Validation attendue
méthodologique

Un ratio dépassant un
certain seuil signifie
que la surface déclarée
pour l'usage principal
Vérifier qu'aucune
excède la surface
observation ne présente un
totale du bâtiment de
ratio dépassant le seuil
manière inacceptable.
critique après suppression.
Cette incohérence
Calculer le nombre exact de
physique est jugée
lignes supprimées pour
irrémédiable et ne
cette raison et documenter
Calculer le ratio peut résulter d'une
leur répartition par
LargestPropertyUseTypeGFA simple imprécision de
PrimaryPropertyType.
divisé par PropertyGFATotal mesure. Conserver ces
LargestPropertyUseTypeGFA, Contrôler que les
9 puis supprimer toutes les observations fausserait
PropertyGFATotal distributions de
lignes où ce ratio est systématiquement le
LargestPropertyUseTypeGFA
strictement supérieur à une calcul de l'intensité
et PropertyGFATotal ne
valeur critique énergétique par unité
présentent plus de cas
de surface en sous-
extrêmes au-delà du seuil
estimant
critique. Valider que cette
artificiellement la
suppression est effectuée
consommation réelle.
avant tout calcul
Un dépassement au-
d'indicateurs énergétiques
delà du seuil introduit
dérivés.
un biais trop important
pour être compensé
par quelque méthode
statistique que ce soit.

9 / 12
compte_rendu.md 2026-01-06

Justification
Ordre Variable cible Action technique Validation attendue
méthodologique

La cohérence
énergétique constitue
un prérequis
fondamental pour la
validité des émissions
de CO2 calculées. La
municipalité de Seattle
applique des facteurs
d'émission spécifiques
Vérifier qu'aucune
à chaque source
observation ne présente un
d'énergie pour obtenir
écart énergétique supérieur
les émissions totales.
à dix pourcent après
Si la somme des
nettoyage. Documenter
sources énergétiques
précisément les bâtiments
détaillées ne
Calculer la somme des trois supprimés avec leurs écarts
correspond pas au
sources énergétiques, puis respectifs. Analyser la
total déclaré avec un
calculer l'écart relatif absolu distribution des écarts
écart supérieur à dix
Electricity(kBtu), entre cette somme et résiduels pour confirmer
pourcent, cela signale
NaturalGas(kBtu), SiteEnergyUseWN(kBtu), qu'ils restent dans des
10 soit une source
SteamUse(kBtu), enfin supprimer toutes les plages acceptables. Valider
d'énergie majeure
SiteEnergyUseWN(kBtu) lignes où cet écart relatif est que les observations
omise, soit une
strictement supérieur à 0.25 conservées présentent une
corruption des
(on évite de supprimer trop cohérence mathématique
données de
de batiments) entre sources et total.
conversion. Un écart
Contrôler que cette
de cette amplitude ne
suppression n'introduit pas
peut être attribué à de
de biais sectoriel en
simples arrondis lors
vérifiant la représentativité
des conversions
des types de bâtiments
d'unités. Conserver ces
restants.
observations
reviendrait à accepter
des valeurs de CO2
mathématiquement
corrompues, ce qui
viderait de sens
l'objectif même de
prédiction des
émissions.

Section 3

Ordre Variable cible Action technique Justification méthodologique Validation attendue

Cette étape préparatoire garantit Validation de la

Aligner l'intensité que la détection d'outliers s'appuie cohérence entre les
énergétique sur la sur une densité énergétique réelle, consommations
11 SiteEUIWN(kBtu/sf)
surface bâtie évitant que des erreurs de reporting synchronisées en
(PropertyGFABuilding(s)) de surface ne biaisent les seuils Section 2 et le référentiel
statistiques. de surface bâti.

10 / 12
compte_rendu.md 2026-01-06

Ordre Variable cible Action technique Justification méthodologique Validation attendue

Calculer les Z-scores par Permet d'isoler les bâtiments dont

Création de la feature
PrimaryPropertyType les consommations globales sont
Variables de extreme_zscore_count
12 et sommer les aberrantes au sein de leur propre
volume (Z-score) capturant le cumul des
dépassements de seuil catégorie d'usage, sans pénaliser les
anomalies de volume.
critique secteurs naturellement énergivores.

L'approche par quartile respecte

Appliquer la détection Identification des flags
l'hétérogénéité architecturale du
Variables de IQR segmentée par is_iqr_outlier_ pour
13 parc. Elle cible spécifiquement les
structure (IQR) usage sur les intensités les variables critiques de
anomalies de ratio (EUI) et de
et les surfaces performance et de taille.
dimensionnement (GFA).

On transforme une série de

Archiver Nettoyage du dataset
diagnostics binaires en un
extreme_zscore_count final tout en préservant
Toutes variables indicateur de fiabilité
14 et supprimer les le score d'anomalie
techniques multidimensionnel conservé pour
colonnes de calcul agrégé comme feature
enrichir le signal du modèle de
individuelles d'entrée.
prédiction.

Assure la pureté statistique du Vérification de la

Exclure les observations dataset en supprimant les réduction du bruit
cumulant trop de Z- corruptions de données, tout en statistique et
15 Lignes filtrées scores ou présentant un protégeant les hôpitaux ou confirmation de la
IQR critique, hors universités préservation des
structures massives (massive_structures_types) mégastructures
dont la taille justifie l'écart. légitimes.

Section 1 : Finalisation et Imputations en cascade

Validation
Ordre Variable cible Action technique Justification méthodologique
attendue

Nous centralisons ici les décisions

Vérifier que la
Supprimer toute ligne d'exclusion. La colonne Outlier récupère
colonne Outlier
où la colonne Outlier les anomalies statistiques de la Section 3,
Outlier et est vide et que
16 est non vide ou tandis que ComplianceStatus traite les
ComplianceStatus ComplianceStatus
ComplianceStatus défauts administratifs. Cette purge
est 100% conforme
n'est pas "Compliant" sécurise l'échantillon avant les phases
sur le dataset filtré.
d'apprentissage.

La présence d'un usage secondaire est un Vérifier la création

Créer le flag
marqueur de complexité structurelle. du flag et la
IsMixedUse (1 si
Transformer cette donnée lacunaire en suppression des
17 SecondLargest... renseigné, 0 sinon) puis
indicateur binaire permet de conserver le colonnes de
supprimer les colonnes
signal métier sans subir le poids des surfaces
sources
valeurs manquantes. secondaires.

L'absence de score n'est pas aléatoire

Créer le flag (MAR). Le flag permet au modèle de Confirmation que le
Has_EnergyStarScore détecter si l'absence d'information est flag binaire précède
18 ENERGYSTARScore
avant toute opération corrélée à une performance énergétique l'étape
d'imputation spécifique, avant que la valeur ne soit d'imputation.
complétée.

11 / 12
compte_rendu.md 2026-01-06

Validation
Ordre Variable cible Action technique Justification méthodologique
attendue

La cascade garantit la complétude du

Imputer en cascade : dataset. On privilégie la médiane du Absence totale de
Variables Médiane par groupe d'usage pour respecter la NaN sur les
19
Numériques PrimaryPropertyType, morphologie du bâti, avec un repli sur la variables
puis Médiane Globale médiane globale pour les catégories numériques cibles.
sous-représentées.

Les étages sont une variable structurelle Validation des

Imputer en cascade clé. L'imputation en cascade fiabilise cette valeurs entières et
20 NumberofFloors (Usage > Global) avec donnée tout en assurant une cohérence de la cohérence
arrondi à l'entier physique (pas de demi-étage) via avec les types de
l'arrondi. bâtiments.

Supprimer
L'élimination des colonnes trop creuses Liste des colonnes
définitivement les
Colonnes permet de réduire la dimensionnalité supprimées
21 variables avec un taux
lacunaires inutile et de se concentrer sur les documentée dans
de vide prohibitif (ex:
variables ayant un fort pouvoir prédictif. l'audit.
Comments, 3rd Use)

Exclusion finale des

Ce filtre de sécurité rejette les bâtiments
observations présentant Contrôle du taux de
Lignes vides (> dont le profil reste trop incomplet malgré
22 un taux de vacuité remplissage final
30%) les imputations, évitant ainsi d'injecter du
résiduel supérieur au par ligne.
bruit dans le modèle de prédiction.
seuil critique

12 / 12