Importation du dataset :

import pandas as pd
import numpy as np 
import matplotlib.pyplot as plt
import seaborn as sns 
from sklearn.impute import SimpleImputer
from scipy.stats import gaussian_kde

sns.set(style="whitegrid")
df = pd.read_csv('speeddating.csv', na_values = '?')
df

	has_null	wave	gender	age	age_o	d_age	d_d_age	race	race_o	samerace	...	d_expected_num_interested_in_me	d_expected_num_matches	like	guess_prob_liked	d_like	d_guess_prob_liked	met	decision	decision_o	match
0	0	1	female	21.0	27.0	6	[4-6]	'Asian/Pacific Islander/Asian-American'	European/Caucasian-American	0	...	[0-3]	[3-5]	7.0	6.0	[6-8]	[5-6]	0.0	1	0	0
1	0	1	female	21.0	22.0	1	[0-1]	'Asian/Pacific Islander/Asian-American'	European/Caucasian-American	0	...	[0-3]	[3-5]	7.0	5.0	[6-8]	[5-6]	1.0	1	0	0
2	1	1	female	21.0	22.0	1	[0-1]	'Asian/Pacific Islander/Asian-American'	'Asian/Pacific Islander/Asian-American'	1	...	[0-3]	[3-5]	7.0	NaN	[6-8]	[0-4]	1.0	1	1	1
3	0	1	female	21.0	23.0	2	[2-3]	'Asian/Pacific Islander/Asian-American'	European/Caucasian-American	0	...	[0-3]	[3-5]	7.0	6.0	[6-8]	[5-6]	0.0	1	1	1
4	0	1	female	21.0	24.0	3	[2-3]	'Asian/Pacific Islander/Asian-American'	'Latino/Hispanic American'	0	...	[0-3]	[3-5]	6.0	6.0	[6-8]	[5-6]	0.0	1	1	1
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
8373	1	21	male	25.0	26.0	1	[0-1]	European/Caucasian-American	'Latino/Hispanic American'	0	...	[0-3]	[3-5]	2.0	5.0	[0-5]	[5-6]	0.0	0	1	0
8374	1	21	male	25.0	24.0	1	[0-1]	European/Caucasian-American	Other	0	...	[0-3]	[3-5]	4.0	4.0	[0-5]	[0-4]	0.0	0	0	0
8375	1	21	male	25.0	29.0	4	[4-6]	European/Caucasian-American	'Latino/Hispanic American'	0	...	[0-3]	[3-5]	6.0	5.0	[6-8]	[5-6]	0.0	0	0	0
8376	1	21	male	25.0	22.0	3	[2-3]	European/Caucasian-American	'Asian/Pacific Islander/Asian-American'	0	...	[0-3]	[3-5]	5.0	5.0	[0-5]	[5-6]	0.0	0	1	0
8377	1	21	male	25.0	22.0	3	[2-3]	European/Caucasian-American	'Asian/Pacific Islander/Asian-American'	0	...	[0-3]	[3-5]	4.0	5.0	[0-5]	[5-6]	0.0	0	1	0

8378 rows × 123 columns

df.shape

(8378, 123)

Suppression des variables inutiles :

On constate avec la commande suivante qu'on a énormément de variables, et beaucoup de valeurs manquantes :

df.isna().sum()

has_null                0
wave                    0
gender                  0
age                    95
age_o                 104
                     ... 
d_guess_prob_liked      0
met                   375
decision                0
decision_o              0
match                   0
Length: 123, dtype: int64

On affiche le nombre individus possèdant des valeurs manquantes, ils sont très nombreux :

null_data = df[df.isnull().any(axis=1)]
null_data.shape

(7330, 123)

Comment expected_num_interested_in_me possède 6578 valeurs manquantes, sur 8378 individus, on décide de supprimer cette variables :

df = df.drop('expected_num_interested_in_me', axis = 1)

On décide ensuite de supprimer toutes les variables d'écart qui ne nous apportent pas d'information. Ces variables sont des variables qui résument d'autres variables. Par exemple 'd_funny_important' donne des intervalles dans lesquels se trouvent les valeurs de la variables 'funny_important'.

On voit bien avec l'exemple ci-dessous que 'd_funny_o' ne fait que résumer 'funny_o'. Ca ne sert donc à rien de garde 'd_funny_o'.

dem = df[['funny_o','d_funny_o']]
dem

	funny_o	d_funny_o
0	8.0	[6-8]
1	7.0	[6-8]
2	10.0	[9-10]
3	8.0	[6-8]
4	6.0	[6-8]
...	...	...
8373	2.0	[0-5]
8374	3.0	[0-5]
8375	2.0	[0-5]
8376	5.0	[0-5]
8377	7.0	[6-8]

8378 rows × 2 columns

Il en va de même pour toutes les variables de ce type. On les supprime :

df=df.drop(['d_d_age','d_importance_same_race','d_importance_same_religion','d_pref_o_attractive','d_pref_o_sincere','d_pref_o_intelligence','d_pref_o_funny',
         'd_pref_o_ambitious','d_pref_o_shared_interests','d_attractive_o','d_sinsere_o',
         'd_intelligence_o','d_funny_o','d_ambitous_o','d_shared_interests_o','d_attractive_important',
         'd_sincere_important','d_intellicence_important','d_funny_important','d_ambtition_important','d_shared_interests_important','d_attractive','d_sincere','d_intelligence','d_funny',
         'd_ambition','d_attractive_partner','d_sincere_partner','d_intelligence_partner','d_funny_partner',
         'd_ambition_partner','d_shared_interests_partner','d_interests_correlate','d_expected_happy_with_sd_people',
           'd_expected_num_interested_in_me','d_expected_num_matches','d_like','d_guess_prob_liked'],axis=1)

On supprime également les intérêts portés à différentes activités par 'self'. En fait on ne possède pas d'information équivalente pour 'partner'. De plus, chaque ligne du dataset représente un match,et non un individus. On a donc aucun moyen d'identifier les participants. On décide donc de drop toutes ces variables sur les hobbies de 'self', ainsi que les variables qui résument ces variables :

df=df.drop(['sports','tvsports','exercise','dining','museums','art','hiking','gaming','clubbing','reading',
         'tv','theater','movies','concerts','music','shopping','yoga','d_sports','d_tvsports','d_exercise','d_dining',
         'd_museums','d_art','d_hiking','d_gaming','d_clubbing','d_reading','d_tv','d_theater','d_movies',
         'd_concerts','d_music','d_shopping','d_yoga'],axis=1)

On supprime ensuite 'field', 'has_null' et 'wave' qui sont inutiles.

df = df.drop(['field','has_null','wave'],axis=1)

Il ne nous reste plus que 47 variables.

df.shape

(8378, 47)

Encodage des variables catégoriques en numériques :

On veut utiliser un KNN Imputer, pour cela on doit convertir nos variables catégoriques en numériques. On sort la liste des variables catégoriques :

cat = df.select_dtypes('object').columns
cat

Index(['gender', 'race', 'race_o'], dtype='object')

On regarde le nombre de matchs où il y a des valeurs manquantes pour ces variables :

no_race = df[df[['race','race_o','gender']].isnull().values]
no_race.shape

(136, 47)

On enlève donc ces matchs du dataset car ils sont vraiment très minoritaires. Pour cela, on construit 'df_not_na', un dataset comportant les matchs n'ayant pas de valeur manquante pour les variables catégoriques que sont 'gender', 'race' et 'race_o'.

df_not_na = df[df['race'].notna()]
df_not_na = df_not_na[df_not_na['race_o'].notna()]
df_not_na.isna().sum()

gender                              0
age                                31
age_o                              31
d_age                               0
race                                0
race_o                              0
samerace                            0
importance_same_race               16
importance_same_religion           16
pref_o_attractive                  16
pref_o_sincere                     16
pref_o_intelligence                16
pref_o_funny                       25
pref_o_ambitious                   34
pref_o_shared_interests            56
attractive_o                      188
sinsere_o                         260
intelligence_o                    280
funny_o                           334
ambitous_o                        693
shared_interests_o               1049
attractive_important               16
sincere_important                  16
intellicence_important             16
funny_important                    25
ambtition_important                34
shared_interests_important         56
attractive                         42
sincere                            42
intelligence                       42
funny                              42
ambition                           42
attractive_partner                188
sincere_partner                   260
intelligence_partner              280
funny_partner                     334
ambition_partner                  693
shared_interests_partner         1049
interests_correlate                32
expected_happy_with_sd_people      38
expected_num_matches             1159
like                              225
guess_prob_liked                  292
met                               357
decision                            0
decision_o                          0
match                               0
dtype: int64

On regarde les modalités pour les 3 variables catégoriques :

print("modalités de gender=",df_not_na["gender"].unique())
print("modalités de race=",df_not_na["race"].unique())
print("modalités de race_o=",df_not_na["race_o"].unique())

modalités de gender= ['female' 'male']
modalités de race= ["'Asian/Pacific Islander/Asian-American'" 'European/Caucasian-American'
 'Other' "'Latino/Hispanic American'" "'Black/African American'"]
modalités de race_o= ['European/Caucasian-American' "'Asian/Pacific Islander/Asian-American'"
 "'Latino/Hispanic American'" 'Other' "'Black/African American'"]

On encode nos variables catégoriques en numériques :

from sklearn.preprocessing import LabelEncoder, OrdinalEncoder


features_cat = ['gender', 'race', 'race_o']

for i in features_cat:
    le=LabelEncoder()
    arr= df_not_na[i].astype(str)
    le.fit(arr)
    df_not_na[i]=le.transform(df_not_na[i].astype(str))

On regarde que tout est bien encodé.

df_not_na.head()

	gender	age	age_o	d_age	race	race_o	samerace	importance_same_race	importance_same_religion	pref_o_attractive	...	shared_interests_partner	interests_correlate	expected_happy_with_sd_people	expected_num_matches	like	guess_prob_liked	met	decision	decision_o	match
0	0	21.0	27.0	6	0	3	0	2.0	4.0	35.0	...	5.0	0.14	3.0	4.0	7.0	6.0	0.0	1	0	0
1	0	21.0	22.0	1	0	3	0	2.0	4.0	60.0	...	6.0	0.54	3.0	4.0	7.0	5.0	1.0	1	0	0
2	0	21.0	22.0	1	0	0	1	2.0	4.0	19.0	...	7.0	0.16	3.0	4.0	7.0	NaN	1.0	1	1	1
3	0	21.0	23.0	2	0	3	0	2.0	4.0	30.0	...	8.0	0.61	3.0	4.0	7.0	6.0	0.0	1	1	1
4	0	21.0	24.0	3	0	2	0	2.0	4.0	30.0	...	6.0	0.21	3.0	4.0	6.0	6.0	0.0	1	1	1

5 rows × 47 columns

C'est le cas. On va maintenant pouvoir utiliser le KNN Imputer pour imputer les valeurs manquantes.

Imputation des valeurs manquantes à l'aide d'un KNN Imputer :

On commence par créer X l'ensemble de nos variables descriptives, et y notre target ('match'). On utiliser ensuite la fonction train_test_split pour créer le train set et le test set.

from sklearn.model_selection import train_test_split
df_not_na = pd.DataFrame(df_not_na, columns = df.columns)

X = df_not_na.copy()
y = X.pop('match')

X_train, X_test, y_train, y_test = train_test_split(X,y, test_size = 1/3)

On impute nos valeurs numériques manquantes avec l'algorithme des K plus proches voisins.

from sklearn.ensemble import RandomForestRegressor
from sklearn.impute import KNNImputer
from sklearn.model_selection import GridSearchCV

df_not_na.isna().sum()

gender                              0
age                                31
age_o                              31
d_age                               0
race                                0
race_o                              0
samerace                            0
importance_same_race               16
importance_same_religion           16
pref_o_attractive                  16
pref_o_sincere                     16
pref_o_intelligence                16
pref_o_funny                       25
pref_o_ambitious                   34
pref_o_shared_interests            56
attractive_o                      188
sinsere_o                         260
intelligence_o                    280
funny_o                           334
ambitous_o                        693
shared_interests_o               1049
attractive_important               16
sincere_important                  16
intellicence_important             16
funny_important                    25
ambtition_important                34
shared_interests_important         56
attractive                         42
sincere                            42
intelligence                       42
funny                              42
ambition                           42
attractive_partner                188
sincere_partner                   260
intelligence_partner              280
funny_partner                     334
ambition_partner                  693
shared_interests_partner         1049
interests_correlate                32
expected_happy_with_sd_people      38
expected_num_matches             1159
like                              225
guess_prob_liked                  292
met                               357
decision                            0
decision_o                          0
match                               0
dtype: int64

On utilise KNN(n_neighbors=5). Puis on impute nos valeurs manquantes.

knn = KNNImputer(n_neighbors = 5)

df_not_na = knn.fit_transform(df_not_na)

df_final = pd.DataFrame(df_not_na, columns = df.columns)

Plus aucune valeur manquante :

df_final.isna().sum()

gender                           0
age                              0
age_o                            0
d_age                            0
race                             0
race_o                           0
samerace                         0
importance_same_race             0
importance_same_religion         0
pref_o_attractive                0
pref_o_sincere                   0
pref_o_intelligence              0
pref_o_funny                     0
pref_o_ambitious                 0
pref_o_shared_interests          0
attractive_o                     0
sinsere_o                        0
intelligence_o                   0
funny_o                          0
ambitous_o                       0
shared_interests_o               0
attractive_important             0
sincere_important                0
intellicence_important           0
funny_important                  0
ambtition_important              0
shared_interests_important       0
attractive                       0
sincere                          0
intelligence                     0
funny                            0
ambition                         0
attractive_partner               0
sincere_partner                  0
intelligence_partner             0
funny_partner                    0
ambition_partner                 0
shared_interests_partner         0
interests_correlate              0
expected_happy_with_sd_people    0
expected_num_matches             0
like                             0
guess_prob_liked                 0
met                              0
decision                         0
decision_o                       0
match                            0
dtype: int64

Visualisation de la répartition des modalités de certaines variables :

On visualise la répartition des modalités de certaines variables avant et après avoir imputé les valeurs manquantes. En fait on cherche à vérifier que note imputation est qualitative et qu'elle n'a pas déséquilibré notre dataset.

Répartition des modalités pour les variables 'pref_o_attractive', 'pref_o_sincere', 'pref_o_intelligence', 'pref_o_funny', 'pref_o_ambitious', 'pref_o_shared_interests' après imputation des valeurs manquantes :

shared_interests_o , shared_interests_partner , expected_num_matches

fig,axs = plt.subplots(3,2, figsize = (32,16), sharey = True)

sns.histplot(data=df, x='shared_interests_o', kde = True,color="olive", ax=axs[0, 0])
sns.histplot(data=df_final, x="shared_interests_o",kde = True, color="olive", ax=axs[0, 1])
sns.histplot(data=df, x="shared_interests_partner",kde = True ,color="teal", ax=axs[1, 0])
sns.histplot(data=df_final, x="shared_interests_partner", kde=True, color="teal", ax=axs[1, 1])
sns.histplot(data=df, x="expected_num_matches", kde=True, color="blue", ax=axs[2, 0])
sns.histplot(data=df_final, x="expected_num_matches", kde=True, color="blue", ax=axs[2, 1])
fig.tight_layout()

Corrélation entre 'met' et 'match' :

On se rend compte grâce à l'histogramme suivant que si deux individus se sont rencontrés avant le date, alors ils ont beaucoup plus de chance de matcher.

fig,axs = plt.subplots(1,2, figsize = (16,8))

sns.histplot(data = df[df['met']==0], x = 'match', stat = 'percent', ax = axs[0])
sns.histplot(data = df[df['met']==1], x = 'match', stat = 'percent', ax = axs[1])

<AxesSubplot: xlabel='match', ylabel='Percent'>

Modification du nom de certaines variables :

df = df_final.copy()

Certaines variables ont des noms avec un orthographe très tordu. Pour éviter des fautes de syntaxe, on les renomme de façon homogène.

df = df.rename(columns={'sinsere_o':'sincere_o','ambitous_o':'ambition_o','pref_o_ambitious':'pref_o_ambition',
                        'intellicence_important':'intelligence_important','ambtition_important':'ambition_important'})

Modification de certaines variables :

Pour la variables d_age :

Les valeures manquantes de la variable âge était traitées comme des 0. Et 'd_age' était calculé en valeur absolue. Ce qui avait pour conséquence : - Perte d'information car on ne sait pas si c'est 'self' ou 'partner' qui est le plus agé. - Si on a l'age de 'self' et une valeur manquante pour 'partner', d_age valait l'age de 'self'. On recréer donc la variable 'd_age' après imputations des valeurs manquantes, et on garde maintenant l'information du signe dans la différence. (on effectue toujours l'age de l'homme - l'age de la femme).

for i in range(len(df)):
    if df.iloc[i]['gender'] == 1:
        df.iloc[i]['d_age'] = df.iloc[i]['age'] - df.iloc[i]['age_o']
    else :
        df.iloc[i]['d_age'] = - df.loc[i]['age'] + df.iloc[i]['age_o']

Pour la variable 'samerace' :

On encode à nouveau ici la variable 'samerace' après imputation des valeurs manquantes. En effet, quand 2 individus avaient la modalité 'Other', 'samerace' prennait la valeur 1. On prend ici la décision de dire que 2 individus ayant la modalité 'Other' ne partagent pas la même race.

for i in range(len(df)):
    if df.iloc[i]['race'] == 4 and df.iloc[i]['race_o'] == 4:
        df.iloc[i]['samerace'] = 0

Création de nouvelles variables :

Création de la variable 'note_partner' qui représente l'estime que 'self' a envers 'partner' :

• C'est en quelque sorte la note générale que 'self' mettrait a 'partner'.

Pour calculer cette note, nous avons pondéré l'importance que 'self' accorde a certaines qualités (l'attractivité, la sincerité, l'intelligence, le fait d'être drôle, l'ambition) avec les notes qu'il a mise à 'partner' sur ces mêmes qualités.

df['note_partner']=(df['attractive_partner']*df['attractive_important']+
                     df['sincere_partner']*df['sincere_important'] +
                     df['intelligence_partner']*df['intelligence_important']+
                     df['funny_partner']*df['funny_important'] +
                     df['ambition_partner']*df['ambition_important'])/(df['attractive_important']+df['sincere_important'] +df['intelligence_important']+df['funny_important']+df['ambition_important'])

Création de la variable 'note_from_partner' qui est l'estime que 'partner' a en 'self' :

• C'est en quelque sorte la note générale que 'partner' mettrait a 'self'.

Pour calculer cette note, nous avons pondéré l'importance que 'partner' accorde a certaines qualités (l'attractivité, la sincerité, l'intelligence, le fait d'être drôle, l'ambition) avec les notes qu'il a mise à 'self' sur ces mêmes qualités.

df['note_from_partner']=(df['attractive_o']*df['pref_o_attractive']+
                     df['sincere_o']*df['pref_o_sincere'] +
                     df['intelligence_o']*df['pref_o_intelligence']+
                     df['funny_o']*df['pref_o_funny'] +
                     df['ambition_o']*df['pref_o_ambition'])/(df['pref_o_attractive']+df['pref_o_sincere'] +df['pref_o_intelligence']+df['pref_o_funny']+df['pref_o_ambition'])

On arrondis ces trois nouvelles variables au dixième près :

df['note_partner'] = round(df['note_partner'],1)
df['note_from_partner'] = round(df['note_from_partner'],1)

Création de la variable 'note_diff' qui est en qlqs sorte l'écart entre l'estime qu'a self pour partner, et l'estime qu'a partner pour self

Pour créer cette nouvelle variable, on va sommer, pour chaque match, la note générale que self a mise à partner au carré et la note que partner a mise a self au carré. En fait, le fait d'appliquer un carré met un poids sur les notes. Plus la note générale sera haute, plus le poids sera important. On va donc se retrouver avec un nombre qui sera un indicateur de "à quel point les deux participants s'apprécient".

df['note_diff'] = df['note_partner']*df['note_partner']+ df['note_from_partner']*df['note_from_partner']
df

	gender	age	age_o	d_age	race	race_o	samerace	importance_same_race	importance_same_religion	pref_o_attractive	...	expected_num_matches	like	guess_prob_liked	met	decision	decision_o	match	note_partner	note_from_partner	note_diff
0	0.0	21.0	27.0	6.0	0.0	3.0	0.0	2.0	4.0	35.0	...	4.0	7.0	6.0	0.0	1.0	0.0	0.0	7.1	7.3	103.70
1	0.0	21.0	22.0	1.0	0.0	3.0	0.0	2.0	4.0	60.0	...	4.0	7.0	5.0	1.0	1.0	0.0	0.0	7.1	7.0	99.41
2	0.0	21.0	22.0	1.0	0.0	0.0	1.0	2.0	4.0	19.0	...	4.0	7.0	5.2	1.0	1.0	1.0	1.0	7.2	10.0	151.84
3	0.0	21.0	23.0	2.0	0.0	3.0	0.0	2.0	4.0	30.0	...	4.0	7.0	6.0	0.0	1.0	1.0	1.0	6.8	7.9	108.65
4	0.0	21.0	24.0	3.0	0.0	2.0	0.0	2.0	4.0	30.0	...	4.0	6.0	6.0	0.0	1.0	1.0	1.0	6.2	8.0	102.44
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
8237	1.0	25.0	26.0	-1.0	3.0	2.0	0.0	1.0	1.0	10.0	...	3.0	2.0	5.0	0.0	0.0	1.0	0.0	3.6	4.2	30.60
8238	1.0	25.0	24.0	1.0	3.0	4.0	0.0	1.0	1.0	50.0	...	3.0	4.0	4.0	0.0	0.0	0.0	0.0	4.6	5.4	50.32
8239	1.0	25.0	29.0	-4.0	3.0	2.0	0.0	1.0	1.0	40.0	...	3.0	6.0	5.0	0.0	0.0	0.0	0.0	5.2	1.9	30.65
8240	1.0	25.0	22.0	3.0	3.0	0.0	0.0	1.0	1.0	10.0	...	3.0	5.0	5.0	0.0	0.0	1.0	0.0	4.2	5.4	46.80
8241	1.0	25.0	22.0	3.0	3.0	0.0	0.0	1.0	1.0	20.0	...	3.0	4.0	5.0	0.0	0.0	1.0	0.0	3.6	7.6	70.72

8242 rows × 50 columns

On décide de normaliser cette nouvelle variable entre 0 et 1.

df['note_diff'] = (df['note_diff'] - df['note_diff'].min())/(df['note_diff'].max() - df['note_diff'].min())

Un peu de visualisation :

Sur les variables 'note_partner' et 'note_from_partner' :

plt.figure(figsize = (16,8))
plt.title("Répartition des modalités de 'match' en fonction de 'note_from_partner'")
sns.histplot(data = df, x = 'note_from_partner', kde = True, hue = 'match',  multiple = 'dodge', shrink = .8)

<AxesSubplot: title={'center': "Répartition des modalités de 'match' en fonction de 'note_from_partner'"}, xlabel='note_from_partner', ylabel='Count'>

plt.figure(figsize = (16,8))
plt.title("Répartition des modalités de 'match' en fonction de 'note_partner'")
sns.histplot(data = df, x = 'note_partner', kde = True, hue = 'match',  multiple = 'dodge', shrink = .8)

<AxesSubplot: title={'center': "Répartition des modalités de 'match' en fonction de 'note_partner'"}, xlabel='note_partner', ylabel='Count'>

Les deux graphiques nous apprennent la même chose :

• Si la note générale que self (resp. partner) met à partner (resp. self) ne dépasse pas 7, alors il n'y aura probablement pas de match.
• Si la note générale que self (resp. partner) met à partner (resp. self) tourne autour de 8, cela maximise les chances d'avoir un match.

Sur la variable 'note_diff' :

plt.figure(figsize = (16,8))
plt.title("Répartition des modalités de 'match' en fonction de 'note_diff'")
sns.histplot(data = df, x = 'note_diff', kde = True, hue='match',  multiple = 'dodge', shrink = .8)

<AxesSubplot: title={'center': "Répartition des modalités de 'match' en fonction de 'note_diff'"}, xlabel='note_diff', ylabel='Count'>

Le graphique ci-dessus nous apprend trois choses :

• Si 'note_diff' est trop faible, on a aucune chance de match.
• Si 'note_diff' tourne autour de 0.4, il n'y aura probablement pas de match.
• Si 'note_diff' dépasse 0.6, on a de + en + de chance d'avoir un match.

Comparaison de la notation entre les hommes et les femmes :

plt.figure(figsize = (16,8))
plt.title("Historique de répartition des notes générales données par les hommes aux femmes")
sns.histplot(data = df[df['gender']==1], x = 'note_partner', kde = True, multiple = 'dodge', shrink = .8)

<AxesSubplot: title={'center': 'Historique de répartition des notes générales données par les hommes aux femmes'}, xlabel='note_partner', ylabel='Count'>

plt.figure(figsize = (16,8))
plt.title("Historique de répartition des notes générales données par les femmes aux hommes")
sns.histplot(data = df[df['gender']==0], x = 'note_partner', kde = True, multiple = 'dodge', shrink = .8)

<AxesSubplot: title={'center': 'Historique de répartition des notes générales données par les femmes aux hommes'}, xlabel='note_partner', ylabel='Count'>

Les deux graphiques ci-dessus nous apprennent deux choses :

• Les notes données par les hommes ont une plus grande variance.
• Les femmes ont tendance à mettre moins facilement des 10 que les hommes.

Répartition des modalités de la variable 'match' :

import matplotlib.pyplot as plt
plt.figure(figsize = (16,8))
plt.pie([df[df['match']==1].shape[0],df[df['match']==0].shape[0]], labels = ["match","pas de match"], normalize = True)
plt.legend()

<matplotlib.legend.Legend at 0x1af2161e500>

On sauvegarde le dataset nettoyé sous format .csv ! On s'attaquera à la partie Machine Learning dans un second fichier.

data_to_csv = df.to_csv('data_clean.csv')