grouper des tulpes en fonction d'élément communs, avec opérations arithmétiques

Bonjour à tous,
Je suis débutant pour Python, et après avoir appris les bases j'ai décidé de me lancer dans un petit projet pour véritablement apprendre ce langage. J'ai décidé de faire un programme qui me permettrait de rentrer des performances en fitness (oui c'est un peu ridicule, mais faut bien apprendre :-D), pour ensuite obtenir des graphiques sur l'évolution des performances etc... En demandant à l'utilisateur une série de renseignement, j'en arrive à une liste de tulpes semblable à la suivante :

Code:

---

seance = ([30/07/2018,dips,8,0],[30/07/2018,dips,11,0],[30/07/2018,triceps,10,10],[30/07/2018,triceps,5,10],[02/08/2018,dips,4,0],[02/07/2018,dips,6,0],[02/08/2018,triceps,8,7],[02/08/2018,triceps,10,9])

---

Ainsi, on a pour chaque tulpe les variables suivantes : [date,exercice,répétitions,poids]. Je voudrais pouvoir créer une deuxième liste ou seront regroupés l'ensemble les tulpes qui ont la même date et le même exercice, en faisant la moyenne des répétitions et des charges des tulpes groupés. Et pourquoi pas en bonus le nombre de série, qui correspond au nombre de fois que l'exercice a été effectué pendant la séance. En gros, j'obtiendrai la liste suivante :

Code:

---

seance_grouped = ([30/07/2018,dips,9.5,0,2],[30/07/2018,triceps,7.5,10,2],[02/08/2018,dips,5,0,2],[02/08/2018,triceps,9,8,2])

---

Je sais qu'on pouvait faire ça simplement sur R, et c'est pourquoi j'ai voulu réitérer sur Python. Mais peut-être qu'il aurait été plus simple au moment ou je rentre les informations, que je créé à la fois une liste générale avec tout les tulpes, et une deuxième avec les éléments semblable moyennés.

Si jamais vous avez la solution, pouvez vous me l'expliquer? J'ai encore du mal à comprendre les lignes de codes comportant plusieurs opérations et méthodes sur une seule ligne par exemple.

Merci pour votre aide en tout cas,
Fabien

Bonjour Fabien,

Citation:

---

Envoyé par fabtheforce

Je sais qu'on pouvait faire ça simplement sur R, et c'est pourquoi j'ai voulu réitérer sur Python.

---

Commen vous venez de R (ou du moins vous connaissez R), je vous propose de travailler ici avec des DataFrames. Python possède une super bibliothèque pour cela nommée Pandas. Voici un exemple rapide:

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

import pandas as pd   seances = ( ['30/07/2018', 'dips', 8, 0], ['30/07/2018', 'dips', 11, 0], ['30/07/2018', 'triceps', 10, 10], ['30/07/2018', 'triceps' ,5, 10], ['02/08/2018', 'dips', 4, 0], ['02/07/2018', 'dips', 6, 0], ['02/08/2018', 'triceps', 8, 7], ['02/08/2018', 'triceps', 10, 9], )   # Transforme le tuple en list de dicts seances = [{'date': e[0], 'exercice': e[1], 'rep': e[2], 'weight': e[3]} for e in seances]   # Transforme la liste de séances en un joli tableau df = pd.DataFrame(seances) # Gère les dates df['date'] = pd.to_datetime(df['date'], format='%d/%m/%Y')   # Groupement des séances par exercice en faisant la moyenne des répétitions # et poids df_grouped = df.groupby(by='exercice').mean()   print(df_grouped)

---

J'ai retravaillé votre tuple de seance pour avoir des chaines de caractères. Je commence ici par créer un tableau (DataFrame) de vos séances avec des colonnes comme 'date', 'exercice', 'rep' et 'weight'. Pour cela je transforme d'abord la liste de tuples en liste de dictionnaires. Plus facile pour générer le tableau. Je vous invite à printer df pour voir comment ça rend.

Une fois un DataFrame créé, on peut faire tout un tas de calculs cools et rapides avec. Des statistiques, tracer les rep au cours du temps... Compter les séances, ou comme dans l'exemple grouper par exercice et calculer la moyenne. Ce code retourne:

Code:

---

1 2 3 4 5

rep weight exercice dips 7.25 0.0 triceps 8.25 9.0 >>>

---

Il y a bien sur moyen de retransformer ce tableau groupé dans le même format que les données initiales. Mais si ce n'est pas une contrainte pour vous, je trouve bien bien plus facile de gérer ces données sous cette forme. Ou au moins comme un dictionnaire.

J

Ah c'est super !!!! J'avais vu cette méthode groupby lors de mes recherches, mais je n'avais pas vraiment compris son fonctionnement. Avec vos explications, c'est beaucoup mieux ! Bon bah je n'ai plus qu'à faire joujou avec cette bibliothèque Pandas et en sortir le meilleur. Merci encore pour votre aide !
Fabien