Dans le monde, jusqu'à 811 millions de personnes n'ont pas assez à manger. Selon des estimations récentes, 45 millions de personnes dans 43 pays risquent de sombrer dans la famine - la forme la plus extrême de la faim, qui peut entraîner la mort par inanition ou par maladie.
Les conséquences d'une alimentation pauvre en vitamines, minéraux et autres nutriments affectent la santé et les perspectives de vie de millions d'autres personnes, et jettent une ombre sur l'avenir de communautés et de pays entiers.
Bien que la production alimentaire soit suffisante pour nourrir tous les habitants de la planète, l'objectif d'un monde sans faim, tel qu'il est défini dans l'Agenda 2030 pour le développement durable un énorme défi.
Ce rapport, produit dans le cadre de la formation Data Analyst d’OpenClassrooms, dresse un état des lieux de la situation de la sous-nutrition dans le monde pour l’année 2017 en fonction des données disponibles.
# Calculs & dataframes :
import pandas as pd
import numpy as np
import ipywidgets as widgets
from ipywidgets import interact, interact_manual
# importation des datas
sous_nutrition = pd.read_csv("/work/sous_nutrition.csv")
population = pd.read_csv("/work/population.csv")
dispo_alimentaire = pd.read_csv("/work/dispo_alimentaire.csv")
df_aide = pd.read_csv("/work/aide_alimentaire.csv")
Pour la FAO, la sous-alimentation est « définie comme le pourcentage de la population qui n’a pas accès à une quantité de nourriture suffisante pour satisfaire ses besoins en disponibilité énergétique alimentaire (calories) ». La sous-alimentation mesure donc la part de la population ayant un apport énergétique alimentaire inférieur à un seuil prédéterminé. Ce seuil est déterminé par pays « en termes de kilocalories nécessaires pour mener une vie saine et pratiquer une activité physique modérée ».
sous_nutrition
On constate de prime abord que presque 50% des données sont manquantes dans la colonne Valeur. De plus, il ne s'agit pas d'integer/float, il faudra donc la convertir en un format plus approprié.
# On s'assure que "<0.1" est la seule valeur de type non numérique
sous_nutrition.Valeur.unique()
population
Notre analyse portant sur 2017, nous allons uniquement conserver les données pour cette année là. Concernant le set de donnée sous-nutrition, il s'agit de l'année 2016 - 2018 (moyenne des 3 années).
# pour conserver uniquement 2017
sous_nutrition_2017 = sous_nutrition.loc[sous_nutrition['Année'] == '2016-2018']
population_2017 = population.loc[population['Année'] == 2017]
# renomme une colonne pour plus de clarté
sous_nutrition_2017 = sous_nutrition_2017.rename(columns={"Valeur":"population_sous_nutrition"})
# transformation de la colonne population_sous_nutrition en float
sous_nutrition_2017.population_sous_nutrition = pd.to_numeric(sous_nutrition_2017.population_sous_nutrition, errors='coerce')
sous_nutrition_2017.info()
Nous allons désormais joindre les 2 dataframes pour obtenir les données qui nous intéressent dans une même table et pouvoir réaliser des opérations dessus.
# jointure des 2 df
comparaison_2017 = pd.merge(population_2017,sous_nutrition_2017, how = 'inner', on = ['Zone', 'Zone'])
comparaison_2017
# clarification de la table obtenue
comparaison_2017 = comparaison_2017.rename(columns={"Année_x":"Annee", "Valeur" : "Population"})
comparaison_2017 = comparaison_2017.drop(columns=["Année_y"])
comparaison_2017
# Mise à l'échelle de la population : La population en état de sous-nutrition est exprimée en million et la population totale est quant à elle exprimée en millier. Nous la convertissons donc en million.
comparaison_2017['Population'] = (comparaison_2017['Population'] / 1000).round(decimals = 1)
# calcul de la proportion (%) de personne sous-alimentée par pays
proportion = round((comparaison_2017['population_sous_nutrition'] / comparaison_2017['Population']) * 100, 1)
comparaison_2017['proportion'] = proportion
comparaison_2017
# pays pour lesquels les valeurs sont manquantes : on constate qu'on ne peut calculer la proportion de personnes en état de sous-nutrition que pour 84 (203-119 = 84) pays soit seulement 41.4% des pays étudiés
comparaison_2017.loc[comparaison_2017['population_sous_nutrition'].isnull()]
# On conserve le df des 84 pays dont on peut calculer la proportion de personnes en état de sous-nutrition
comparaison = comparaison_2017.dropna(axis=0)
comparaison
# calcul de la proportion totale de pers en état de sous-nutrition (sur le df de 84 pays) en 2017
somme_population = comparaison['Population'].sum()
somme_sous_nutrition = round(comparaison['population_sous_nutrition'].sum(),1)
pourcentage_total_sous_nutrition = round((somme_sous_nutrition / somme_population) * 100, 1)
print("La population totale des 84 pays dont les données sont disponibles compte", somme_population, "millions d'individus. Parmi eux,",pourcentage_total_sous_nutrition,"% sont en état de sous-nutrition. Cela représente",somme_sous_nutrition,"millions de personnes")
# Classement des pays comptant le + de personnes en état de sous-nutrition en 2017
comparaison.sort_values(by='population_sous_nutrition', ascending=False)
# Classement des pays comptant la proportion la plus élevée de personnes en état de sous-nutrition en 2017
comparaison.sort_values(by='proportion', ascending=False)
La disponibilité alimentaire totale inclue des produits aussi bien d'origine animale que végétale.
# analyse exploratoire
print(dispo_alimentaire.info())
print(population.info())
print(dispo_alimentaire.describe())
print(population.describe())
#suppression des colonnes inutiles
dispo_alimentaire_clear = dispo_alimentaire.drop(columns=[
"Aliments pour animaux",
"Origine",
"Autres Utilisations",
"Disponibilité alimentaire en quantité (kg/personne/an)",
"Disponibilité de matière grasse en quantité (g/personne/jour)",
"Disponibilité de protéines en quantité (g/personne/jour)",
"Disponibilité intérieure", "Exportations - Quantité",
"Importations - Quantité",
"Nourriture",
"Pertes",
"Production",
"Semences",
"Traitement",
"Variation de stock"])
dispo_alimentaire_clear
# Uniformisation des noms des pays des 2 tables (problème identifié sous excel)
population_2017['Zone'] = population_2017['Zone'].replace([
"Royaume-Uni de Grande-Bretagne et d'Irlande du Nord",
"Tchéquie"],
["Royaume-Uni","Tchéquie (la)"])
# aggrégation des disponibilité alimentaire par pays
table_dispo = pd.pivot_table(data=dispo_alimentaire_clear,index=['Zone'],aggfunc="sum")
table_dispo
# jointure des 2 tables
dispo_alimentaire_2017 = pd.merge(population_2017,table_dispo, how='inner', on=['Zone', 'Zone'])
dispo_alimentaire_2017 = dispo_alimentaire_2017.rename(columns={"Valeur" : "Population"})
dispo_alimentaire_2017
# remise à l'échelle de la population
dispo_alimentaire_2017['Population'] = (dispo_alimentaire_2017['Population'] * 1000).round(decimals = 1)
dispo_alimentaire_2017
# calcul des dispo alimentaire totales par pays par jour
dispo_kcal_pays = round((dispo_alimentaire_2017['Population'] * dispo_alimentaire_2017['Disponibilité alimentaire (Kcal/personne/jour)']), 1)
dispo_alimentaire_2017['dispo_kcal_pays'] = dispo_kcal_pays
dispo_alimentaire_2017
#calcul du nombre de personnes qui pourraient être nourries sur une base 2200 kcal/j
pop_totale = dispo_alimentaire_2017["Population"].sum()
kcal_total = dispo_alimentaire_2017["dispo_kcal_pays"].sum()
kcal_mini = 2200
pers_nourrie = round((kcal_total/kcal_mini))
print(pers_nourrie,"individus pourraient être nourries sur une base de 2200 Kcal par jour si l'alimentation disponible était équitablement répartie dans le monde")
# calcul du % de la population totale qui pourrait être nourrie par la disponibilité totale
proportion_personne_nourrie = round((pers_nourrie / pop_totale) * 100,1)
print("Cela représente", proportion_personne_nourrie,"% de la population actuelle")
#filtre sur les disponibilités végétales
dispo_alimentaire_vegetale = dispo_alimentaire_clear.loc[dispo_alimentaire['Origine'] == 'vegetale']
# agrégation par pays
table2 = pd.pivot_table(data=dispo_alimentaire_vegetale,index=['Zone'],aggfunc="sum")
table2
# jointure des 2 tables
dispo_vegetale = pd.merge(population_2017,table2, how='inner', on=['Zone', 'Zone'])
dispo_vegetale = dispo_vegetale.rename(columns={"Valeur" : "Population"})
dispo_vegetale
# remise à l'échelle de la population
dispo_vegetale['Population'] = (dispo_vegetale['Population'] * 1000).round(decimals = 1)
# calcul des dispo alimentaire vegetales totales par pays par jour
dispo_kcal_vege = round((dispo_vegetale['Population'] * dispo_vegetale['Disponibilité alimentaire (Kcal/personne/jour)']), 1)
dispo_vegetale['dispo_kcal_vege'] = dispo_kcal_vege
dispo_vegetale
#calcul du nombre de personnes qui pourraient nourries sur une base 2200 kcal/j
pop_totale_vege = dispo_vegetale["Population"].sum()
kcal_total_vege = dispo_vegetale["dispo_kcal_vege"].sum()
pers_nourrie_vege = round((kcal_total_vege/kcal_mini))
print(pers_nourrie_vege,"individus pourraient être nourries sur une base de 2200 Kcal par jour si l'alimentation végétale était équitablement répartie dans le monde")
# calcul du % de la population totale qui pourrait être nourrie par la disponibilité végétale
proportion_personne_nourrie_vege = round((pers_nourrie_vege / pop_totale_vege) * 100,1)
print("Cela représente", proportion_personne_nourrie_vege,"% de la population actuelle")
# clarification du dataframe et création d'un tableau croisé dynamique
df_dispo = dispo_alimentaire.drop(columns=[
"Aliments pour animaux",
"Produit",
"Autres Utilisations",
"Disponibilité intérieure",
"Exportations - Quantité",
"Importations - Quantité",
"Nourriture",
"Pertes",
"Production",
"Semences",
"Traitement",
"Variation de stock"])
table_dispo_aliment = pd.pivot_table(data=df_dispo,index=['Zone'],aggfunc="sum")
table_dispo_aliment
# jointure des 2 tables
comparaison_dispo = pd.merge(population_2017,table_dispo_aliment, left_on= "Zone", right_on= "Zone")
comparaison_dispo = comparaison_dispo.rename(columns={"Valeur" : "Population"})
comparaison_dispo['Population'] = (comparaison_dispo['Population'] * 1000).round(decimals = 1)
comparaison_dispo
# classement des pays ayant le plus faible taux de disponibilité alimentaire Kcal
comparaison_dispo.drop(columns= [
'Disponibilité alimentaire en quantité (kg/personne/an)',
'Disponibilité de matière grasse en quantité (g/personne/jour)',
'Disponibilité de protéines en quantité (g/personne/jour)']).sort_values(by='Disponibilité alimentaire (Kcal/personne/jour)', ascending=True)
# classement des pays ayant le plus faible taux de disponibilité alimentaire en quantité
comparaison_dispo.drop(columns = [
'Disponibilité alimentaire (Kcal/personne/jour)',
'Disponibilité de matière grasse en quantité (g/personne/jour)',
'Disponibilité de protéines en quantité (g/personne/jour)']).sort_values(by='Disponibilité alimentaire en quantité (kg/personne/an)', ascending=True)
# classement des pays ayant le plus faible taux de disponibilité en matière grasse en quantité
comparaison_dispo.drop(columns = [
'Disponibilité alimentaire (Kcal/personne/jour)',
'Disponibilité alimentaire en quantité (kg/personne/an)',
'Disponibilité de protéines en quantité (g/personne/jour)']).sort_values(by='Disponibilité de matière grasse en quantité (g/personne/jour)', ascending=True)
# classement des pays ayant le plus faible taux de disponibilité en protéines grasse en quantité
comparaison_dispo.drop(columns = [
'Disponibilité alimentaire (Kcal/personne/jour)',
'Disponibilité alimentaire en quantité (kg/personne/an)',
'Disponibilité de matière grasse en quantité (g/personne/jour)']).sort_values(by='Disponibilité de protéines en quantité (g/personne/jour)', ascending=True)
# Clarification de la table
dispo_alimentaire_clear = dispo_alimentaire.drop(columns=[
"Aliments pour animaux",
"Origine",
"Autres Utilisations",
"Disponibilité de matière grasse en quantité (g/personne/jour)",
"Disponibilité intérieure", "Exportations - Quantité",
"Importations - Quantité",
"Nourriture",
"Pertes",
"Production",
"Semences",
"Traitement",
"Variation de stock"])
dispo_alimentaire_clear
# Jointure des tables sur Zone + remise à l'échelle de la population
ratio_population = pd.merge(dispo_alimentaire_clear, population_2017, how='left', on=['Zone', 'Zone'])
ratio_population['Valeur'] = (ratio_population['Valeur'] * 1000).round(decimals = 1)
ratio_population = ratio_population.rename(columns={"Valeur" : "Population"})
ratio_population
# Calcul de la disponibilité calorique totale par pays et par personne par pays
kcal_total_an = round((ratio_population['Population'] * ratio_population['Disponibilité alimentaire (Kcal/personne/jour)']) * 365, 1)
kcal_pers_an = round((ratio_population['Population'] * ratio_population['Disponibilité alimentaire (Kcal/personne/jour)']), 1)
ratio_population['dispo Kcal/pers/an'], ratio_population['dispo Kcal/total/an'] = [kcal_pers_an, kcal_total_an]
ratio_population
# Calcul des quantités totale disponibles pour chaque produit (en KG) par an dans le pays
kg_total_an = round((ratio_population['Population'] * ratio_population["Disponibilité alimentaire en quantité (kg/personne/an)"]), 1)
ratio_population['dispo kg/total/an']= kg_total_an
ratio_population
# Calcul de la disponibilité totale de protéines en KG par personne pour chaque produit par pays et par an
kg_prot_pers = round(ratio_population["Disponibilité de protéines en quantité (g/personne/jour)"] / 1000,6)
ratio_population["Disponibilité de protéines en quantité (KG/personne/jour)"] = kg_prot_pers
prot_total_an = round((ratio_population['Population'] * ratio_population["Disponibilité de protéines en quantité (KG/personne/jour)"]) * 365, 1)
ratio_population['dispo prot_total/kg/an'] = prot_total_an
ratio_population
# Clarification de la table pour calculer le ratio énergie/poids
ratio_energie = ratio_population.drop(columns = [
'Disponibilité alimentaire (Kcal/personne/jour)',
'Disponibilité alimentaire en quantité (kg/personne/an)',
'Disponibilité de protéines en quantité (g/personne/jour)', 'Population',
'dispo Kcal/pers/an',
'Disponibilité de protéines en quantité (KG/personne/jour)'] )
ratio_energie
# correction des valeurs = 0 pour ne pas fausser la moyenne et erreurs pour ensuite les supprimer plus simplement
ratio_energie.loc[ratio_energie['dispo Kcal/total/an'] == 0, 'dispo Kcal/total/an'] = np.nan
ratio_energie.loc[ratio_energie['dispo Kcal/total/an'] == -21, 'dispo Kcal/total/an'] = np.nan
ratio_energie.loc[ratio_energie['dispo kg/total/an'] == 0, 'dispo kg/total/an'] = np.nan
# vérification et suppression des NaN
print(ratio_energie.isna().sum())
ratio_energie.dropna(axis='rows', inplace=True)
ratio_energie.isna().sum()
# calcul du ratio poids/énergie en Kcal
ratio_energie['ratio_energie_poids'] = ratio_energie['dispo Kcal/total/an'] / ratio_energie['dispo kg/total/an']
ratio_energie
# exemples pour trouver la valeur énergétique de différents produits (prendre la valeur moyenne)
print(ratio_energie[(ratio_energie['Produit'] == 'Bananes')]['ratio_energie_poids'].describe())
print(ratio_energie[(ratio_energie['Produit'] == 'Patates douces')]['ratio_energie_poids'].describe())
print("Le ratio énergie/poids de la banane est de 611 Kcal (cal/kg), celui de la patate douce est de 953 Kcal")
# liste des ratios energie/poids de tous les produits
ratio_energie.groupby('Produit')['ratio_energie_poids'].mean()
# classement des 20 aliments les plus riches
produits_riches = ratio_energie.groupby('Produit')['ratio_energie_poids'].mean().sort_values(ascending=False)
produits_riches.head(20)
# Widget pour visualiser le ratio énergie/poids de chaque produit en fonction de leur disponibilité dans les pays
countries = sorted(list(ratio_energie['Zone'].unique()))
products = sorted(list(ratio_energie['Produit'].unique()))
@interact
def show_per_country(country=countries, product=products):
return ratio_energie.loc[(ratio_energie['Zone'] == country) & (ratio_energie['Produit'] == product)][['Zone', 'Produit', 'ratio_energie_poids']]
# clarification de la table
df_dispo_total = dispo_alimentaire.drop(columns = [
"Exportations - Quantité",
"Importations - Quantité",
"Production",
"Semences",
"Traitement",
"Variation de stock",
"Disponibilité alimentaire (Kcal/personne/jour)",
"Disponibilité alimentaire en quantité (kg/personne/an)",
"Disponibilité de matière grasse en quantité (g/personne/jour)",
"Disponibilité de protéines en quantité (g/personne/jour)",
"Origine"])
df_dispo_total
#calcul des proportions des différentes utilisations de la disponibilité intérieure
proportion = round((df_dispo_total['Aliments pour animaux'] / df_dispo_total['Disponibilité intérieure']) * 100, 1)
proportion2 = round((df_dispo_total['Autres Utilisations'] / df_dispo_total['Disponibilité intérieure']) * 100, 1)
proportion3 = round((df_dispo_total['Pertes'] / df_dispo_total['Disponibilité intérieure']) * 100, 1)
proportion4 = round((df_dispo_total['Nourriture'] / df_dispo_total['Disponibilité intérieure']) * 100, 1)
df_dispo_total[' % utilisation animale'], df_dispo_total[' % autres utilisations'], df_dispo_total ['% pertes'], df_dispo_total['% nourriture'] = [proportion, proportion2, proportion3, proportion4]
df_dispo_total
# df spécifique au % de pertes par rapport à la disponibilité intérieure
df_dispo_perte = dispo_alimentaire.drop(columns = [
"Exportations - Quantité",
"Importations - Quantité",
"Production",
"Semences",
"Traitement",
"Variation de stock",
"Disponibilité alimentaire (Kcal/personne/jour)",
"Disponibilité alimentaire en quantité (kg/personne/an)",
"Disponibilité de matière grasse en quantité (g/personne/jour)",
"Disponibilité de protéines en quantité (g/personne/jour)",
"Origine",
"Aliments pour animaux",
"Autres Utilisations",
"Nourriture"])
df_dispo_perte['% Pertes'] = proportion3
df_dispo_perte.dropna()
# df spécifique au % d'utilisation de la disponibilité intérieure pour nourrir les animaux
df_utilisation_animale = dispo_alimentaire.drop(columns = ["Exportations - Quantité", "Importations - Quantité", "Production","Semences","Traitement","Variation de stock","Disponibilité alimentaire (Kcal/personne/jour)","Disponibilité alimentaire en quantité (kg/personne/an)", "Disponibilité de matière grasse en quantité (g/personne/jour)","Disponibilité de protéines en quantité (g/personne/jour)", "Origine", "Autres Utilisations", "Nourriture", "Pertes"])
df_utilisation_animale['% utilisation animale'] = proportion
df_utilisation_animale.dropna()
# df spécifique au % d'utilisation de la disponibilité intérieure pour nourrir les humains
df_nourriture = dispo_alimentaire.drop(columns = ["Exportations - Quantité", "Importations - Quantité", "Production","Semences","Traitement","Variation de stock","Disponibilité alimentaire (Kcal/personne/jour)","Disponibilité alimentaire en quantité (kg/personne/an)", "Disponibilité de matière grasse en quantité (g/personne/jour)","Disponibilité de protéines en quantité (g/personne/jour)", "Origine", "Autres Utilisations", "Aliments pour animaux", "Pertes"])
df_nourriture['% utilisation humaine'] = proportion4
df_nourriture.dropna()
# Localisation des disponbilités du manioc en Thaïlande
dispo_manioc = dispo_alimentaire.loc[(dispo_alimentaire["Zone"] == "Thaïlande") & (dispo_alimentaire["Produit"] == "Manioc")]
dispo_manioc
# Calcul de la proportion de manioc exportée sur la production totale
exportation_manioc = round((dispo_manioc['Exportations - Quantité'] / dispo_manioc['Production']) * 100, 1 )
print(exportation_manioc)
print("La Thaïlande exporte 83.4% de sa production de manioc")
nourriture_manioc = round((dispo_manioc['Nourriture'] / dispo_manioc['Production']) * 100, 1 )
print(nourriture_manioc)
print("Seulement 2.9% de la production de manioc est destinée à nourrir la population du pays")
# Calories par kg de manioc
kcal_manioc = 1570
# Conversion de la part annuelle de manioc exportée en KG
manioc_kilo = 25214 * 1000000
# Calcul de la disponibilité calorique de la quantité de manioc exportée chaque année
apport_kcal_manioc = kcal_manioc * manioc_kilo
# Calcul du nombre de personne qui pourrait être nourrie chaque année si la quantité de manioc dédiée à l'exportation était utilisée pour nourrir la population
nbr_pers_nourrie_manioc = round((apport_kcal_manioc / 2400) / 365,0)
# Calcul du % de la population de Thaïlande que cela représente
proportion_population = round((45.2/69.2) * 100,1)
print("Chaque année, la Thaïlande exporte", manioc_kilo,"KG de manioc. Si cette part était utilisée pour nourrir sa population, la Thaïlande pourrait subvenir aux besoins en alimentation de", nbr_pers_nourrie_manioc, "individus, cela représente",proportion_population,"% de sa population." )
# classement des pays ayant bénéficié du plus d'aide depuis 2013
pays_benef = df_aide.groupby('Pays bénéficiaire')[['Valeur']].sum()
pays_benef.sort_values(by = 'Valeur', ascending = False)
# total de l'aide fournie chaque année en tonnes
df_aide.groupby('Année')[['Valeur']].sum()
# Tableau de l'aide fournie pour chaque produit par année
table_aide_produit = pd.pivot_table(data = df_aide,index = ['Produit'], columns = ['Année'], aggfunc = sum)
table_aide_produit["total_aide (tonnes)"] = table_aide_produit.sum(axis=1)
print("Les céréales sont de très loin l'aide alimentaire la plus distribuée chaque année :")
table_aide_produit.sort_values(by = 'total_aide (tonnes)', ascending = False)
# Tableau de l'aide fournie pour chaque pays par année
table_aide = pd.pivot_table(data = df_aide,index = ['Pays bénéficiaire'], columns = ['Année'], aggfunc = sum)
table_aide["total_aide"] = table_aide.sum(axis=1)
print("Les 5 pays ayant reçu le plus d'aide depuis 2013 sont : République arabe syrienne, l'Ethiopie, le Yémen, le Soundan du sud et le Soudan")
table_aide.sort_values(by = 'total_aide', ascending = False)
# Copie dédiée aux céréales d'un df existant
df_cereales = dispo_alimentaire.copy()
#Sélection des produits céréaliers (selon le FAO)
df_cereales = df_cereales.loc[(df_cereales["Produit"] == "Millet") | (df_cereales["Produit"] == "Orge") | (df_cereales["Produit"] == "Seigle")| (df_cereales["Produit"] == "Céréales, Autres")| (df_cereales["Produit"] == "Blé")| (df_cereales["Produit"] == "Soja")| (df_cereales["Produit"] == "Maïs")| (df_cereales["Produit"] == "Avoine") | (df_cereales["Produit"] == "Riz (Eq Blanchi)")]
df_cereales
#aggregation par pays
table_cereales = pd.pivot_table(data=df_cereales,index=['Zone'],aggfunc="sum")
table_cereales
# quelques calculs intéressant sur l'utilisation des céréales
production_cereales_mondiale = table_cereales['Production'].sum()
utilisation_animale = table_cereales['Aliments pour animaux'].sum()
exportation = table_cereales['Exportations - Quantité'].sum()
nourriture = table_cereales['Nourriture'].sum()
proportion = round((utilisation_animale/production_cereales_mondiale) * 100,1)
print("Proportion dédiée à nourrir les animaux :", proportion,"%")
proportion_exportation = round((exportation/production_cereales_mondiale) * 100,1)
print("Proportion exportée:",proportion_exportation,"%")
proportion_nourriture = round((nourriture/production_cereales_mondiale) * 100,1)
print("Proportion utilisée pour nourrir les Hommes:",proportion_nourriture,"%")
# Classement des 10 plus gros producteurs toutes céréales confondues
table_cereales.nlargest(10, ['Production'])
# Classement des 10 plus gros exportateurs toutes céréales confondues
table_cereales.nlargest(10, ['Exportations - Quantité'])
# Calcul de l'utilisation de la disponibilité intérieure céréalière par pays
cereales_animaux = round((table_cereales['Aliments pour animaux']/ table_cereales['Disponibilité intérieure']) * 100,2)
table_cereales['% utilisation pour animaux'] = cereales_animaux
utilisation_humaine = round((table_cereales['Nourriture']/ table_cereales['Disponibilité intérieure']) * 100,2)
table_cereales['% utilisation nourriture humaine'] = utilisation_humaine
table_cereales
table_cereales.nlargest(20, ['% utilisation nourriture humaine'])
# création d'un df ratio énergie/poids pour les céréales
ratio_energie_cereales = ratio_energie.loc[(ratio_energie["Produit"] == "Millet") | (ratio_energie["Produit"] == "Orge") | (ratio_energie["Produit"] == "Seigle")| (ratio_energie["Produit"] == "Céréales, Autres")| (ratio_energie["Produit"] == "Blé")| (ratio_energie["Produit"] == "Soja")| (ratio_energie["Produit"] == "Maïs")| (ratio_energie["Produit"] == "Avoine") | (ratio_energie["Produit"] == "Riz (Eq Blanchi)")]
ratio_energie_cereales
#jointure des 2 tables
cereale = pd.merge(ratio_energie_cereales, df_cereales, on=["Zone", "Produit"])
cereale
cereale = cereale.drop(columns = ['dispo Kcal/total/an', 'dispo kg/total/an',
'dispo prot_total/kg/an', 'Origine',
'Disponibilité alimentaire (Kcal/personne/jour)',
'Disponibilité alimentaire en quantité (kg/personne/an)',
'Disponibilité de matière grasse en quantité (g/personne/jour)',
'Disponibilité de protéines en quantité (g/personne/jour)','Semences', 'Traitement', 'Variation de stock'
])
cereale
# Calcul de l'utilisation de la disponibilité intérieure pour chaque céréale par pays
cereales_animaux = round((cereale['Aliments pour animaux']/ cereale['Disponibilité intérieure']) * 100,2)
cereale['% utilisation pour animaux'] = cereales_animaux
utilisation_humaine = round((cereale['Nourriture']/ cereale['Disponibilité intérieure']) * 100,2)
cereale['% utilisation nourriture humaine'] = utilisation_humaine
cereale
cereale.nlargest(10, ['Exportations - Quantité'])
print(ratio_energie[(ratio_energie['Produit'] == 'Blé')]['ratio_energie_poids'].describe())
# Calories par kg de blé
kcal_blé = 2830
# Conversion de la part annuelle de blé exportée en KG par les USA
blé_kilo = 34691 * 1000000
# Calcul de la disponibilité calorique de la quantité de blé exportée chaque année
apport_kcal_blé = kcal_blé * blé_kilo
# Calcul du nombre de personne qui pourrait être nourrie chaque année si la quantité de blé dédiée à l'exportation était utilisée pour nourrir la population
nbr_pers_nourrie_blé = round((apport_kcal_blé / 2400) / 365,0)
print("Chaque année, les USA exportent", blé_kilo,"KG de blé. Si cette part était utilisée pour nourrir la population mondiale, les USA pourraient subvenir aux besoins en alimentation de", nbr_pers_nourrie_blé, "individus par an, soit 1/5 de la population en état de sous-nutrition." )
# calcul de la somme des céréales utilisées pour l'alimentation animale et conversion en KG
sum_utilisation_animale = cereale['Aliments pour animaux'].sum()
sum_kilo = sum_utilisation_animale * 1000000
# calcul de la moyenne du ratio énergie/poids des céréales
moy_ratio_energie = cereale['ratio_energie_poids'].mean()
print(sum_kilo)
print(moy_ratio_energie)
# Calcul de la disponibilité calorique de la quantité de céréales utilisée pour l'alimentation animale chaque année
apport_kcal_cereal = moy_ratio_energie * sum_kilo
# Calcul du nombre de personne qui pourrait être nourrie chaque année si la quantité de céréales dédiée à l'alimentation animale était utilisée pour nourrir la population
nbr_pers_nourrie_cereale = round((apport_kcal_cereal / 2400) / 365,0)
print("Chaque année,", sum_kilo,"KG de céréales sont utilisées pour nourrir des animaux. Si cette part était utilisée pour nourrir la population mondiale, les céréales pourraient subvenir aux besoins en alimentation de", nbr_pers_nourrie_cereale, "individus par an, soit plus d'1/3 de la population mondiale." )
# calcul de la somme des céréales perdues chaque année et conversion en KG
sum_perte_cereale = cereale['Pertes'].sum()
sum_perte = sum_perte_cereale * 1000000
# Calcul de la disponibilité calorique de la quantité de céréales perdue chaque année
apport_kcal_cereal_perte = moy_ratio_energie * sum_perte
# Calcul du nombre de personne qui pourrait être nourrie chaque année si la quantité de céréales perdue était utilisée pour nourrir la population
nbr_pers_nourrie_perte = round((apport_kcal_cereal_perte / 2400) / 365,0)
print("Chaque année,", sum_perte,"KG de céréales sont perdus. Si cette part était utilisée pour nourrir la population mondiale, les céréales perdues pourraient subvenir aux besoins en alimentation de", nbr_pers_nourrie_perte, "individus par an, soit presque les 2/3 de la population en état de sous-nutrition." )