2025.46 changes

documentation/02.2-eda-plotly.md

@@ -18,7 +18,7 @@ propre à la publication.
 
 ## Comment fonctionne Plotly ?
 
-Plotly est une bibliothèque Python compatible avec les `DataFrame`{.python} Pandas, qui permet de créer des graphiques
+Plotly est une bibliothèque Python qui permet de créer des graphiques
 interactifs, et cela grâce aux technologies web (HTML, CSS et JS). Un navigateur suffit à
 afficher le contenu d'un graphique généré avec Plotly.
 
@@ -55,10 +55,10 @@ Nous allons passer en revue quelques graphiques réalisables avec Express.
 
 ----
 
-#### `plotly.express.bar`
+#### `plotly.express.bar` (`DataFrame`)
 
-Générer un graphique en barres est assez simple avec Plotly, et fonctionne
-de manière relativement satisfaisante par défaut (ex. texte en blanc sur fond sombre)
+Générer un graphique en barres est assez simple avec Plotly Express, et fonctionne
+de manière relativement satisfaisante par défaut (ex. gestion du contraste et angle des étiquettes)
 
 ```python {.numberLines}
 import pandas as pd
@@ -799,6 +799,10 @@ figure.update_layout(
 figure.show(renderer="browser")
 ```
 
+La méthode `add_hrect()`{.python} dessine un rectangle prenant l'intégralité de la largeur du
+graphique. Il ne reste qu'à définir les coordonnées `y0` et `y1` du rectangle,
+coordonnées qui dépendent d'une référence (taille du graphique, pixels ou axe Y)
+
 ----
 
 ![Ajout d'un rectangle horizontal](assets/images/eda-plotly-trace-hrect.png)
@@ -835,18 +839,29 @@ import numpy as np
 from plotly.graph_objs import Figure, Scatter
 from scipy.ndimage import gaussian_filter
 
-# Créer une courbe aléatoire lissée
-df = pd.DataFrame(data={"col1": gaussian_filter(np.random.random(size=200) * 79.0 + 1.0, sigma=1.5)})
+# Créer une courbe aléatoire lissée de valeurs entre 1 et 80
+SIZE: int = 500
+np.random.seed(4)  # Pour reproduire les résultats
+df = pd.DataFrame(data={"col1": gaussian_filter(np.random.random(size=SIZE) * 79.0 + 1.0, sigma=SIZE / 133)})
 # Calculer les coefficients d'une régression de degré 2 pour col1
 c2, c1, c0 = np.polyfit(df.index, df["col1"], 2)
-df["reg1"] = df.index ** 2 * c2 + df.index * c1 + c0
-
+df["reg1"] = c2 * df.index**2 + c1 * df.index + c0
 # Créer une image avec deux lignes
-figure = Figure([
-    Scatter(name="values", x=df.index, y=df["col1"], line={"color": "black", "width": 2}, marker={"symbol": "circle"}, mode="lines+markers"),
-    Scatter(name="regression", x=df.index, y=df["reg1"], line={"color": "red", "width": 4, "dash": "dot"}, mode="lines")
-])
-figure.layout.update({"template": "seaborn", "xaxis1": {"title": "time"}, "title": "Test de régression", "font": {"family": "Cabin", "size": 13}, "yaxis1": {"title": "value"}})
+figure = Figure(
+    data=[
+        Scatter(name="values", x=df.index, y=df["col1"], line={"color": "gray", "width": 1}, mode="lines"),
+        Scatter(
+            name="regression", x=df.index, y=df["reg1"], line={"color": "red", "width": 4, "dash": "dot"}, mode="lines"
+        ),
+    ],
+    layout={
+        "template": "seaborn",
+        "xaxis1": {"title": "time"},
+        "title": "Test de régression",
+        "font": {"family": "Cabin", "size": 13},
+        "yaxis1": {"title": "value"},
+    },
+)
 figure.show(renderer="browser")
 ```