p03_sous_alimentation

# Calculs & dataframes : import numpy as np import pandas as pd # Data visualisations : #import matplotlib.pyplot as plt %matplotlib inline #from matplotlib.colors import ListedColormap, LinearSegmentedColormap #import seaborn as sns import plotly.express as px from plotly.subplots import make_subplots import plotly.graph_objects as go # SQL import sqlite3 # Data visualisations : import plotly.express as px from plotly.subplots import make_subplots import plotly.graph_objects as go

# Définition des constantes year_inf = 2014 # minimum disponible pour la FAO : 2014 (les données antérieures sont obtenues par des méthodes différentes) year_sup = 2018 besoins_kcal_j = 1700 # besoins journaliers moyen en kilocalories besoins_prot_kg_j = 50/1000 # besoins journaliers moyens en kg de protéines

df.isnull().sum()

df.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 903169 entries, 0 to 903168
Data columns (total 11 columns):
 #   Column        Non-Null Count   Dtype  
---  ------        --------------   -----  
 0   code_pays     903169 non-null  object 
 1   pays          903169 non-null  object 
 2   population    903169 non-null  int64  
 3   annee         903169 non-null  int64  
 4   id_indic      903169 non-null  object 
 5   indicateur    903169 non-null  object 
 6   code_produit  903169 non-null  object 
 7   produit       903169 non-null  object 
 8   valeur        903169 non-null  float64
 9   unite         903169 non-null  object 
 10  origine       903169 non-null  object 
dtypes: float64(1), int64(2), object(8)
memory usage: 82.7+ MB

for ind in df.indicateur.unique(): print(ind, df.loc[df.indicateur == ind, "valeur"].describe(), sep='\n',end='\n\n')

Production
count     54670.000000
mean       1007.057108
std       11798.533294
min           0.000000
25%           0.000000
50%          11.040000
75%         139.000000
max      768594.000000
Name: valeur, dtype: float64

Importations - Quantité
count    77253.000000
mean        90.061619
std        866.053088
min         -1.000000
25%          0.000000
50%          1.000000
75%         17.000000
max      95538.000000
Name: valeur, dtype: float64

Variation de stock
count    66102.000000
mean        12.316436
std        400.994798
min     -13134.000000
25%          0.000000
50%          0.000000
75%          0.000000
max      49300.000000
Name: valeur, dtype: float64

Exportations - Quantité
count    61307.000000
mean       119.846326
std       1271.020678
min          0.000000
25%          0.000000
50%          0.030000
75%         10.000000
max      83606.000000
Name: valeur, dtype: float64

Disponibilité intérieure
count     81047.000000
mean        664.568729
std        9379.056074
min       -3726.000000
25%           0.000000
50%           5.130000
75%          71.000000
max      768594.000000
Name: valeur, dtype: float64

Traitement
count     25079.000000
mean        528.792296
std        7266.848767
min           0.000000
25%           0.000000
50%           0.000000
75%          19.000000
max      340609.000000
Name: valeur, dtype: float64

Résidus
count    71717.000000
mean        -0.889008
std        160.893419
min     -10036.000000
25%          0.000000
50%          0.000000
75%          0.000000
max      18077.000000
Name: valeur, dtype: float64

Nourriture
count     73674.000000
mean        349.811281
std        4723.882505
min           0.000000
25%           0.000000
50%           4.000000
75%          47.000000
max      451702.000000
Name: valeur, dtype: float64

Disponibilité alimentaire en quantité (kg/personne/an)
count    73574.000000
mean         7.974134
std         23.002508
min          0.000000
25%          0.020000
50%          0.620000
75%          4.570000
max        390.960000
Name: valeur, dtype: float64

Disponibilité alimentaire (Kcal/personne/jour)
count    72974.000000
mean        33.834955
std        106.394331
min          0.000000
25%          0.000000
50%          3.000000
75%         20.000000
max       1733.000000
Name: valeur, dtype: float64

Disponibilité de protéines en quantité (g/personne/jour)
count    73081.000000
mean         0.963470
std          3.271877
min          0.000000
25%          0.000000
50%          0.030000
75%          0.390000
max         48.940000
Name: valeur, dtype: float64

Disponibilité de matière grasse en quantité (g/personne/jour)
count    73077.000000
mean         1.039579
std          3.362542
min          0.000000
25%          0.000000
50%          0.030000
75%          0.360000
max         63.420000
Name: valeur, dtype: float64

Pertes
count    28080.000000
mean       102.041239
std       1340.082187
min          0.000000
25%          0.000000
50%          2.000000
75%         20.000000
max      84582.000000
Name: valeur, dtype: float64

Aliments pour animaux
count     19801.000000
mean        342.444965
std        3804.058960
min           0.000000
25%           0.000000
50%           1.000000
75%          30.000000
max      195703.000000
Name: valeur, dtype: float64

Semences
count    10305.000000
mean        80.620374
std        555.080447
min          0.000000
25%          0.000000
50%          3.000000
75%         19.000000
max      16976.000000
Name: valeur, dtype: float64

Autres utilisations (non alimentaire)
count     27426.000000
mean        160.273392
std        5095.212775
min         -11.000000
25%           0.000000
50%           0.000000
75%           2.000000
max      392455.000000
Name: valeur, dtype: float64

Alimentation pour touristes
count    14002.000000
mean         1.228539
std         15.632883
min         -3.000000
25%          0.000000
50%          0.000000
75%          0.000000
max       1127.000000
Name: valeur, dtype: float64

df.loc[(df.indicateur=="Importations - Quantité") & (df.valeur < 0),["pays","annee","indicateur","produit","valeur","unite"]]

df.drop(index=df.loc[(df.indicateur=="Importations - Quantité") & (df.valeur < 0)].index, inplace=True)

df.loc[(df.indicateur=="Autres utilisations (non alimentaire)") & (df.valeur < 0),["pays","annee","indicateur","produit","valeur","unite"]]

df.drop(index=df.loc[(df.indicateur=="Autres utilisations (non alimentaire)") & (df.valeur < 0)].index, inplace=True)

df.loc[(df.indicateur=="Alimentation pour touristes") & (df.valeur < 0),["pays","annee","indicateur","produit","valeur","unite"]]

df.drop(index=df.loc[(df.indicateur=="Alimentation pour touristes") & (df.valeur < 0)].index, inplace=True)

df_dispo_alim.drop(index=df_dispo_alim.loc[df_dispo_alim.ratio_proteines>1].index, inplace=True) df_dispo_alim.describe()

data = df_dispo_alim[["produit","ratio_kcal_kg","ratio_proteines"]].groupby("produit").agg("mean") data[["ratio_kcal_kg"]].sort_values(by="ratio_kcal_kg", ascending=False).iloc[:15]

data[["ratio_proteines"]].sort_values(by="ratio_proteines", ascending=False).iloc[:15]

La disponibilité intérieure mondiale en produits végétaux est de 1.36e+16 kcal.

La disponibilité intérieure mondiale en produits végétaux est de 312057.2 kT de protéines.

print("Si toute la production végétale de {} était destinée à l'alimentation humaine :".format(year_sup), " - l'équivalent en calories permettrait de nourrir {} milliards de personnes soit {} % de la population de {}."\ .format(round(nb_hab_prod_veg_kcal_ys/1e9,2), round(100*nb_hab_prod_veg_kcal_ys/pop_monde_ys,1), year_sup), " - l'équivalent en protéines permettrait de nourrir {} milliards de personnes soit {} % de la population de {}."\ .format(round(nb_hab_prod_veg_prot_ys/1e9,2), round(100*nb_hab_prod_veg_prot_ys/pop_monde_ys,1), year_sup), sep='\n' )

Si toute la production végétale de 2018 était destinée à l'alimentation humaine :
   - l'équivalent en calories permettrait de nourrir 21.93 milliards de personnes soit 289.0 % de la population de 2018.
   - l'équivalent en protéines permettrait de nourrir 17.1 milliards de personnes soit 225.3 % de la population de 2018.

print("Si toute la production végétale de {} vouée à l'alimentation (humaines et animales + pertes) était destinée à l'alimentation humaine :"\ .format(year_sup), " - l'équivalent en calories permettrait de nourrir {} milliards de personnes soit {} % de la population de {}."\ .format(round(nb_hab_prod_alim_veg_kcal_ys/1e9,2), round(100*nb_hab_prod_alim_veg_kcal_ys/pop_monde_ys,1), year_sup), " - l'équivalent en protéines permettrait de nourrir {} milliards de personnes soit {} % de la population de {}."\ .format(round(nb_hab_prod_alim_veg_prot_ys/1e9,2), round(100*nb_hab_prod_alim_veg_prot_ys/pop_monde_ys,1), year_sup), sep='\n' )

Si toute la production végétale de 2018 vouée à l'alimentation (humaines et animales + pertes) était destinée à l'alimentation humaine :
   - l'équivalent en calories permettrait de nourrir 12.32 milliards de personnes soit 162.4 % de la population de 2018.
   - l'équivalent en protéines permettrait de nourrir 11.0 milliards de personnes soit 144.9 % de la population de 2018.

# Récupération de la variable "nourriture" df_dispo_alim_totale_ys = df_dispo_alim.loc[df_dispo_alim.annee == year_sup, ["pays","produit","dispo_alim_kcal", "dispo_prot_kg","annee"]] # Nombre d'humains pouvant être nourris nb_hab_dispo_alim_tot_kcal_ys = df_dispo_alim_totale_ys.dispo_alim_kcal.sum() / (besoins_kcal_j * 365) nb_hab_dispo_alim_tot_prot_ys = df_dispo_alim_totale_ys.dispo_prot_kg.sum() / (besoins_prot_kg_j * 365) print("Concernant la nourriture disponible à l'alimentation humaine en {} :".format(year_sup), " - l'équivalent en calories permettrait de nourrir {} milliards de personnes soit {} % de la population de {}."\ .format(round(nb_hab_dispo_alim_tot_kcal_ys/1e9,2), round(100*nb_hab_dispo_alim_tot_kcal_ys/pop_monde_ys,1), year_sup), " - l'équivalent en protéines permettrait de nourrir {} milliards de personnes soit {} % de la population de {}."\ .format(round(nb_hab_dispo_alim_tot_prot_ys/1e9,2), round(100*nb_hab_dispo_alim_tot_prot_ys/pop_monde_ys,1), year_sup), sep='\n' )

Concernant la nourriture disponible à l'alimentation humaine en 2018 :
   - l'équivalent en calories permettrait de nourrir 12.75 milliards de personnes soit 168.0 % de la population de 2018.
   - l'équivalent en protéines permettrait de nourrir 12.28 milliards de personnes soit 161.8 % de la population de 2018.

En 2018, au moins 7.17 % de la population mondiale souffrent de sous-alimentation soit 544.2 millions de personnes.
En 2017, au moins 7.06 % de la population mondiale souffrent de sous-alimentation soit 535.7 millions de personnes.
En 2016, au moins 6.97 % de la population mondiale souffrent de sous-alimentation soit 528.6 millions de personnes.
En 2015, au moins 6.91 % de la population mondiale souffrent de sous-alimentation soit 524.7 millions de personnes.
En 2014, au moins 6.9 % de la population mondiale souffrent de sous-alimentation soit 523.5 millions de personnes.

data = df_sousalim.loc[df_sousalim.annee == year_MA,:].copy() data["nb_sous_alim"] = data["nb_sous_alim"].replace('<0.1',np.nan).astype("float64") * 1e6 fig = px.choropleth(data, locations="code_pays", color="nb_sous_alim", hover_name="pays", hover_data=["annee"], color_continuous_scale="Reds", labels={"nb_sous_alim":"Nombre"}, ) fig.layout.update(title="Nombre de personnes sous-alimentées par pays en {}.".format(year_MA), #template=mon_theme, geo_showframe=False, height=600, annotations = [dict(x=0.85, y=-0.05, text='Source: <a href="http://www.fao.org/faostat/fr/#data/FBS"> FAO</a>', showarrow = False )] ) fig.show()

df_cereales = df_cereales[["code_produit","produit"]].drop_duplicates(subset=["code_produit", "produit"]) df_cereales

À lui seul, en 2018, l'élevage a consommé 949.61 millions de tonnes de céréales soit 42.27 % des céréales destinées à l'alimentation (humaine et animale).

# Calcul de la quantité libérée par une baisse de 10% de l'élevage print("Si en {} les États-Unis avaient réduit de {} % leur élevage, cela aurait libéré {} millions de tonnes de céréales."\ .format(year_sup, int(100*reduc_elevage),round(reduc_elevage*cereales_usa_ys.quantite_alim_anim_kT.sum()/1000,2)), end='\n\n') print("Cela équivaut aux besoins moyens de :", " - {} millions de personnes (en nombre annuel de calories)"\ .format(round(reduc_elevage*df_cereales_usa_ys.cereales_anim_kcal.sum()/(besoins_kcal_j * 365)/1e6,2)), " - {} millions de personnes (en quantité annuelle de protéines)"\ .format(round(reduc_elevage*df_cereales_usa_ys.cereales_anim_prot_kg.sum()/(besoins_prot_kg_j * 365)/1e6,2)), sep='\n', end='\n\n' ) print("Rappellons qu'en {}, au moins {} millions de personnes étaient sous-alimentées."\ .format(year_sup, round(df_sousalim.loc[df_sousalim.annee == year_MA,"nb_sous_alim"].replace('<0.1',np.nan).astype("float64").sum(),2)), end='\n\n')

Si en 2018 les États-Unis avaient réduit de 10 % leur élevage, cela aurait libéré 14.21 millions de tonnes de céréales.

Cela équivaut aux besoins moyens de :
   - 63.7 millions de personnes (en nombre annuel de calories)
   - 41.11 millions de personnes (en quantité annuelle de protéines)

Rappellons qu'en 2018, au moins 523.5 millions de personnes étaient sous-alimentées.

# Extraction des données year_MA = str(year_sup-1)+"-"+str(year_sup+1) df_pays_sous_alim = df_sousalim.loc[df_sousalim.annee==year_MA,["pays","nb_sous_alim","unite","annee"]].dropna() df_pays_sous_alim

# Tri par valeur décroissante ratio entre la quantité destinés aux "Autres utilisations" et la disponibilité intérieure df_group_import.reset_index()\ .sort_values(by="ratio_autre_util_dispo_int", ascending=False)\ .loc[:,["produit","ratio_autre_util_dispo_int"]]\ .iloc[:5]\ .style.format({"ratio_autre_util_dispo_int":"{:.0%}"})

# Tri par valeur décroissante du ratio nourriture animale/nourriture totale df_group_import.reset_index()\ .sort_values(by="ratio_alim_anim_nourriture", ascending=False)\ .loc[:,["produit","ratio_alim_anim_nourriture"]]\ .iloc[:5]\ .style.format({"ratio_alim_anim_nourriture":"{:.0%}"})

manioc_thailande_export = int(df_aniveg.loc[(df_aniveg.produit=="Manioc et produits") & (df_aniveg.annee==year_sup) & (df_aniveg.pays=="Thaïlande") & (df_aniveg.indicateur=="Exportations - Quantité"),"valeur"]) manioc_thailande_prod = int(df_aniveg.loc[(df_aniveg.produit=="Manioc et produits") & (df_aniveg.annee==year_sup) & (df_aniveg.pays=="Thaïlande") & (df_aniveg.indicateur=="Production"),"valeur"]) print("En {}, la Thaïlande a exporté {} millions de tonnes de manioc (équivalant {} % de sa production)\nalors que {} millions de personnes souffraient de sous-nutrition."\ .format(year_sup, manioc_thailande_export/1000, round(100*manioc_thailande_export/manioc_thailande_prod,1), float(df_sousalim.loc[(df_sousalim.annee==year_MA) & (df_sousalim.pays=="Thaïlande"), "nb_sous_alim"]) ))

En 2018, la Thaïlande a exporté 22.299 millions de tonnes de manioc (équivalant 75.9 % de sa production)
alors que 6.5 millions de personnes souffraient de sous-nutrition.

# Connexion à la BDD cnx = sqlite3.connect("bdd_malnutrition.db", timeout=10) # Création du curseur cursor = cnx.cursor()

# Création de la Table query_pop = """CREATE TABLE IF NOT EXISTS 'population' ('pays' INTEGER NOT NULL, 'code_pays' INTEGER NOT NULL UNIQUE, 'annee' INTEGER NOT NULL, 'population' INTEGER NOT NULL, PRIMARY KEY('code_pays')) ;""" cursor.execute(query_pop) # Sélection des données df_code_pays = pd.read_csv("https://raw.githubusercontent.com/vaubantis/malnutrition_fao/main/code_pays_FR.csv").rename(columns={"Zone":"pays","Code zone":"code_pays"}) table_pop = pd.merge(df_population, df_code_pays, on="code_pays", how="left").loc[:,["pays","code_pays","annee","population"]].dropna() # Insertion des données table_pop.to_sql(name='population', con=cnx, if_exists='replace', index=False)

pd.read_sql_query(""" SELECT produit, sum(alim_animale) , sum(nourriture) , round(100*sum(alim_animale)/(sum(alim_animale)+sum(nourriture)),1) AS ratio FROM equilibre_prod ep WHERE produit IN ("Blé et produits","Riz et produits","Orge et produits","Maïs et produits","Seigle et produits","Millet et produits","Avoine","Sorgho et produits","Céréales, Autres","Soja") GROUP BY produit ORDER BY ratio DESC ;""", con = cnx)

pd.read_sql_query(""" SELECT pays, sum(nourriture) AS Quantité_T FROM equilibre_prod ep WHERE produit IN ("Blé et produits","Riz et produits","Orge et produits","Maïs et produits","Seigle et produits","Millet et produits","Avoine","Sorgho et produits","Céréales, Autres") AND pays IN ("Allemagne","Autriche","Belgique","Bulgarie","Chypre","Croatie","Danemark","Espagne", "Estonie","Finlande","France","Grèce","Hongrie","Irlande","Italie","Lettonie","Lituanie","Luxembourg","Malte","Pays-Bas","Pologne", "Portugal","Tchéquie (la)","Roumanie","Slovaquie","Slovénie","Suède") GROUP BY pays ORDER BY sum(nourriture) DESC LIMIT 15 ;""", con = cnx)

pd.read_sql_query(""" SELECT pays, sum(alim_animale) as Quantité_T FROM equilibre_prod ep WHERE produit IN ("Blé et produits","Riz et produits","Orge et produits","Maïs et produits","Seigle et produits","Millet et produits","Avoine","Sorgho et produits","Céréales, Autres") AND pays IN ("Allemagne","Autriche","Belgique","Bulgarie","Chypre","Croatie","Danemark","Espagne", "Estonie","Finlande","France","Grèce","Hongrie","Irlande","Italie","Lettonie","Lituanie","Luxembourg","Malte","Pays-Bas","Pologne", "Portugal","Tchéquie (la)","Roumanie","Slovaquie","Slovénie","Suède") GROUP BY pays ORDER BY sum(alim_animale) DESC LIMIT 15 ;""", con = cnx)

pd.read_sql_query(""" SELECT ep.code_pays, ep.pays, sum(pertes) as pertes_totale_tonnes, pop.population, ROUND(1e3*sum(pertes)/pop.population, 1) as "pertes_kg/hab" FROM equilibre_prod as ep INNER JOIN population as pop ON pop.pays = ep.pays AND pop.annee = ep.annee WHERE ep.annee = 2018 GROUP BY ep.pays ORDER BY "pertes_kg/hab" DESC ;""", con = cnx)

data = pd.read_sql_query(""" SELECT ep.code_pays, ep.pays, sum(pertes)/1e6 as pertes_totale_Mtonnes, pop.population, ROUND(1e3*sum(pertes)/pop.population, 1) as "pertes_kg/hab" FROM equilibre_prod as ep INNER JOIN population as pop ON pop.pays = ep.pays AND pop.annee = ep.annee GROUP BY ep.pays ORDER BY "pertes_kg/hab" DESC ;""", con = cnx) fig = px.choropleth(data, locations="code_pays", color="pertes_kg/hab", hover_name="pays", hover_data=["pertes_kg/hab","pertes_totale_Mtonnes"], color_continuous_scale="RdYlGn_r", labels={"pertes_kg/hab":"Perte (kg/hab)","pertes_totale_Mtonnes":"Pertes totales (millions de tonnes)"}, ) fig.layout.update(title="Gaspillage alimentaire par pays en {}.".format(year_sup), #template=mon_theme, geo_showframe=False, height=600, annotations = [dict( x=0.85, y=0, text='Source: <a href="http://www.fao.org/faostat/fr/#data/FBS"> FAO</a>', showarrow = False )] ) fig.show()

data = pd.read_sql_query(""" SELECT ep.annee, ep.pays, sum(pertes) as pertes_totale_tonnes, pop.population, ROUND(1e3*sum(pertes)/pop.population, 1) as "pertes_kg/hab" FROM equilibre_prod as ep INNER JOIN population as pop ON pop.pays = ep.pays AND pop.annee = ep.annee WHERE ep.pays="France" GROUP BY ep.annee ORDER BY ep.annee DESC LIMIT 15 ;""", con = cnx) data

fig = px.line(data, x='annee', y='pertes_kg/hab', labels={"annee":"Année","pertes_kg/hab":"Pertes alimentaires (kg/hab)"}) fig.update_traces(line_color="skyblue") fig.update_xaxes(dtick=1) fig.update_yaxes(range=[0,121]) fig.layout.update(title="Évolution du gaspillage alimentaire en France depuis {}".format(year_inf), template=mon_theme, height=500 ) fig.show()

# Fermeture de la connexion à la BDD cnx.close()