Etat de la sécurité alimentaire et de la nutrition dans le monde : une étude des données disponibles sur le FAO pour 2017

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

Zoneobject

Afghanistan0.5%

Afrique du Sud0.5%

201 others99%

Annéeobject

2012-201416.7%

2013-201516.7%

4 others66.7%

Afghanistan

2012-2014

Afghanistan

2013-2015

Afghanistan

2014-2016

Afghanistan

2015-2017

Afghanistan

2016-2018

Afghanistan

2017-2019

Afrique du Sud

2012-2014

Afrique du Sud

2013-2015

Afrique du Sud

2014-2016

Afrique du Sud

2015-2017

Afrique du Sud

2016-2018

Afrique du Sud

2017-2019

Albanie

2012-2014

Albanie

2013-2015

Albanie

2014-2016

Albanie

2015-2017

Albanie

2016-2018

Albanie

2017-2019

Algérie

2012-2014

Algérie

2013-2015

Algérie

2014-2016

Algérie

2015-2017

Algérie

2016-2018

Algérie

2017-2019

Allemagne

2012-2014

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

Zoneobject

Afghanistan0.4%

Afrique du Sud0.4%

234 others99.2%

Annéeint64

2013 - 2018

Afghanistan

2013

Afghanistan

2014

Afghanistan

2015

Afghanistan

2016

Afghanistan

2017

Afghanistan

2018

Afrique du Sud

2013

Afrique du Sud

2014

Afrique du Sud

2015

Afrique du Sud

2016

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()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 203 entries, 4 to 1216
Data columns (total 3 columns):
 #   Column                     Non-Null Count  Dtype  
---  ------                     --------------  -----  
 0   Zone                       203 non-null    object 
 1   Année                      203 non-null    object 
 2   population_sous_nutrition  84 non-null     float64
dtypes: float64(1), object(2)
memory usage: 6.3+ KB

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

Zoneobject

Afghanistan0.5%

Afrique du Sud0.5%

201 others99%

Année_xint64

2017 - 2017

Afghanistan

2017

Afrique du Sud

2017

Albanie

2017

Algérie

2017

Allemagne

2017

Andorre

2017

Angola

2017

Antigua-et-Barbuda

2017

Arabie saoudite

2017

Argentine

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

Zoneobject

Afghanistan0.5%

Afrique du Sud0.5%

201 others99%

Anneeint64

2017 - 2017

Afghanistan

2017

Afrique du Sud

2017

Albanie

2017

Algérie

2017

Allemagne

2017

Andorre

2017

Angola

2017

Antigua-et-Barbuda

2017

Arabie saoudite

2017

Argentine

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

Zoneobject

Afghanistan0.5%

Afrique du Sud0.5%

201 others99%

Anneeint64

2017 - 2017

Afghanistan

2017

Afrique du Sud

2017

Albanie

2017

Algérie

2017

Allemagne

2017

Andorre

2017

Angola

2017

Antigua-et-Barbuda

2017

Arabie saoudite

2017

Argentine

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()]

Zoneobject

Allemagne0.8%

Andorre0.8%

117 others98.3%

Anneeint64

2017 - 2017

Allemagne

2017

Andorre

2017

Antigua-et-Barbuda

2017

Arménie

2017

Australie

2017

Autriche

2017

Azerbaïdjan

2017

Bahamas

2017

Bahreïn

2017

Barbade

2017

# 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

Zoneobject

Afghanistan1.2%

Afrique du Sud1.2%

82 others97.6%

Anneeint64

2017 - 2017

Afghanistan

2017

Afrique du Sud

2017

Albanie

2017

Algérie

2017

Angola

2017

Arabie saoudite

2017

Argentine

2017

Bangladesh

2017

Bénin

2017

Bolivie (État plurinational de)

2017

# 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")

La population totale des 84 pays dont les données sont disponibles compte 4168.0 millions d'individus. Parmi eux, 12.9 % sont en état de sous-nutrition. Cela représente 535.7 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)

Zoneobject

Inde1.2%

Pakistan1.2%

82 others97.6%

Anneeint64

2017 - 2017

Inde

2017

136

Pakistan

2017

Indonésie

2017

128

Nigéria

2017

Bangladesh

2017

Éthiopie

2017

144

Philippines

2017

158

République-Unie de Tanzanie

2017

157

République populaire démocratique de Corée

2017

Kenya

2017

# 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)

Zoneobject

Haïti1.2%

République populaire démocratique de Corée1.2%

82 others97.6%

Anneeint64

2017 - 2017

Haïti

2017

157

République populaire démocratique de Corée

2017

108

Madagascar

2017

103

Libéria

2017

100

Lesotho

2017

183

Tchad

2017

161

Rwanda

2017

186

Timor-Leste

2017

121

Mozambique

2017

Afghanistan

2017

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())

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 15605 entries, 0 to 15604
Data columns (total 18 columns):
 #   Column                                                         Non-Null Count  Dtype  
---  ------                                                         --------------  -----  
 0   Zone                                                           15605 non-null  object 
 1   Produit                                                        15605 non-null  object 
 2   Origine                                                        15605 non-null  object 
 3   Aliments pour animaux                                          2720 non-null   float64
 4   Autres Utilisations                                            5496 non-null   float64
 5   Disponibilité alimentaire (Kcal/personne/jour)                 14241 non-null  float64
 6   Disponibilité alimentaire en quantité (kg/personne/an)         14015 non-null  float64
 7   Disponibilité de matière grasse en quantité (g/personne/jour)  11794 non-null  float64
 8   Disponibilité de protéines en quantité (g/personne/jour)       11561 non-null  float64
 9   Disponibilité intérieure                                       15382 non-null  float64
 10  Exportations - Quantité                                        12226 non-null  float64
 11  Importations - Quantité                                        14852 non-null  float64
 12  Nourriture                                                     14015 non-null  float64
 13  Pertes                                                         4278 non-null   float64
 14  Production                                                     9180 non-null   float64
 15  Semences                                                       2091 non-null   float64
 16  Traitement                                                     2292 non-null   float64
 17  Variation de stock                                             6776 non-null   float64
dtypes: float64(15), object(3)
memory usage: 2.1+ MB
None
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1416 entries, 0 to 1415
Data columns (total 3 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   Zone    1416 non-null   object 
 1   Année   1416 non-null   int64  
 2   Valeur  1416 non-null   float64
dtypes: float64(1), int64(1), object(1)
memory usage: 33.3+ KB
None
       Aliments pour animaux  Autres Utilisations  \
count            2720.000000          5496.000000   
mean              479.501838           157.391376   
std              4240.119637          5076.785816   
min                 0.000000             0.000000   
25%                 0.000000             0.000000   
50%                 4.000000             0.000000   
75%                74.000000             4.000000   
max            150000.000000        347309.000000   

       Disponibilité alimentaire (Kcal/personne/jour)  \
count                                    14241.000000   
mean                                        34.789832   
std                                        107.287655   
min                                        -21.000000   
25%                                          0.000000   
50%                                          4.000000   
75%                                         21.000000   
max                                       1711.000000   

       Disponibilité alimentaire en quantité (kg/personne/an)  \
count                                       14015.000000        
mean                                            8.719368        
std                                            24.618223        
min                                            -1.930000        
25%                                             0.060000        
50%                                             0.830000        
75%                                             5.190000        
max                                           430.760000        

       Disponibilité de matière grasse en quantité (g/personne/jour)  \
count                                       11794.000000               
mean                                            1.283111               
std                                             3.680399               
min                                            -0.030000               
25%                                             0.010000               
50%                                             0.080000               
75%                                             0.630000               
max                                            60.760000               

       Disponibilité de protéines en quantité (g/personne/jour)  \
count                                       11561.000000          
mean                                            1.223608          
std                                             3.598686          
min                                            -0.370000          
25%                                             0.010000          
50%                                             0.100000          
75%                                             0.660000          
max                                            54.970000          

       Disponibilité intérieure  Exportations - Quantité  \
count              15382.000000             12226.000000   
mean                 640.293460               110.596925   
std                 9067.267153              1053.318990   
min                -3430.000000               -41.000000   
25%                    0.000000                 0.000000   
50%                    7.000000                 0.000000   
75%                   76.750000                 9.000000   
max               739267.000000             42797.000000   

       Importations - Quantité     Nourriture        Pertes     Production  \
count             14852.000000   14015.000000   4278.000000    9180.000000   
mean                 87.264543     347.931359    106.053763    1090.379085   
std                 717.372714    4475.704458   1113.100416   12067.344094   
min                -201.000000    -246.000000      0.000000       0.000000   
25%                   0.000000       0.000000      0.000000       2.000000   
50%                   2.000000       5.000000      4.000000      22.000000   
75%                  18.000000      52.000000     26.000000     191.250000   
max               63381.000000  426850.000000  55047.000000  739267.000000   

           Semences     Traitement  Variation de stock  
count   2091.000000    2292.000000         6776.000000  
mean      73.974653     961.905323          -15.407615  
std      528.069224   10381.795904          549.834540  
min        0.000000     -19.000000       -39863.000000  
25%        0.000000       0.000000            0.000000  
50%        2.000000       6.000000            0.000000  
75%       17.000000      69.000000            0.000000  
max    17060.000000  326711.000000         5284.000000  
             Année        Valeur
count  1416.000000  1.416000e+03
mean   2015.500000  3.144793e+04
std       1.708428  1.300812e+05
min    2013.000000  7.930000e-01
25%    2014.000000  3.783410e+02
50%    2015.500000  5.126480e+03
75%    2017.000000  1.930666e+04
max    2018.000000  1.427648e+06

#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

Zoneobject

Inde0.6%

Japon0.6%

172 others98.8%

Produitobject

Abats Comestible1.1%

Beurre, Ghee1.1%

96 others97.8%

Afghanistan

Abats Comestible

Afghanistan

Agrumes, Autres

Afghanistan

Aliments pour enfants

Afghanistan

Ananas

Afghanistan

Bananes

Afghanistan

Beurre, Ghee

Afghanistan

Bière

Afghanistan

Blé

Afghanistan

Boissons Alcooliques

Afghanistan

Café

# 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)"])

/shared-libs/code/visualization_utils.py:6: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  config_spec = """

# aggrégation des disponibilité alimentaire par pays table_dispo = pd.pivot_table(data=dispo_alimentaire_clear,index=['Zone'],aggfunc="sum") table_dispo

Disponibilité alimentaire (Kcal/personne/jour)float64

1879.0 - 3770.0

Afghanistan

2087

Afrique du Sud

3020

Albanie

3188

Algérie

3293

Allemagne

3503

Angola

2474

Antigua-et-Barbuda

2416

Arabie saoudite

3255

Argentine

3226

Arménie

2924

# 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

Zoneobject

Afghanistan0.6%

Afrique du Sud0.6%

172 others98.9%

Annéeint64

2017 - 2017

Afghanistan

2017

Afrique du Sud

2017

Albanie

2017

Algérie

2017

Allemagne

2017

Angola

2017

Antigua-et-Barbuda

2017

Arabie saoudite

2017

Argentine

2017

Arménie

2017

# remise à l'échelle de la population dispo_alimentaire_2017['Population'] = (dispo_alimentaire_2017['Population'] * 1000).round(decimals = 1) dispo_alimentaire_2017

Zoneobject

Afghanistan0.6%

Afrique du Sud0.6%

172 others98.9%

Annéeint64

2017 - 2017

Afghanistan

2017

Afrique du Sud

2017

Albanie

2017

Algérie

2017

Allemagne

2017

Angola

2017

Antigua-et-Barbuda

2017

Arabie saoudite

2017

Argentine

2017

Arménie

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

Zoneobject

Afghanistan0.6%

Afrique du Sud0.6%

172 others98.9%

Annéeint64

2017 - 2017

Afghanistan

2017

Afrique du Sud

2017

Albanie

2017

Algérie

2017

Allemagne

2017

Angola

2017

Antigua-et-Barbuda

2017

Arabie saoudite

2017

Argentine

2017

Arménie

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")

9628255794 individus pourraient être nourries sur une base de 2200 Kcal par jour si l'alimentation disponible était équitablement répartie dans le monde
Cela représente 130.7 % 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

Disponibilité alimentaire (Kcal/personne/jour)float64

1635.0 - 3188.0

Afghanistan

1871

Afrique du Sud

2533

Albanie

2203

Algérie

2915

Allemagne

2461

Angola

2221

Antigua-et-Barbuda

1635

Arabie saoudite

2736

Argentine

2239

Arménie

2140

# 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

Zoneobject

Afghanistan0.6%

Afrique du Sud0.6%

172 others98.9%

Annéeint64

2017 - 2017

Afghanistan

2017

Afrique du Sud

2017

Albanie

2017

Algérie

2017

Allemagne

2017

Angola

2017

Antigua-et-Barbuda

2017

Arabie saoudite

2017

Argentine

2017

Arménie

2017

# 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

Zoneobject

Afghanistan0.6%

Afrique du Sud0.6%

172 others98.9%

Annéeint64

2017 - 2017

Afghanistan

2017

Afrique du Sud

2017

Albanie

2017

Algérie

2017

Allemagne

2017

Angola

2017

Antigua-et-Barbuda

2017

Arabie saoudite

2017

Argentine

2017

Arménie

2017

#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")

7931595190 individus pourraient être nourries sur une base de 2200 Kcal par jour si l'alimentation végétale était équitablement répartie dans le monde
Cela représente 107.6 % 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

Disponibilité alimentaire (Kcal/personne/jour)float64

1879.0 - 3770.0

Disponibilité alimentaire en quantité (kg/personne/an)float64

319.45000000000005 - 1210.4099999999999

Afghanistan

2087

351.41

Afrique du Sud

3020

564.8

Albanie

3188

1095.54

Algérie

3293

809.13

Allemagne

3503

957.52

Angola

2474

701.46

Antigua-et-Barbuda

2416

694.17

Arabie saoudite

3255

622.78

Argentine

3226

784.96

Arménie

2924

985.68

# 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

Zoneobject

Afghanistan0.6%

Afrique du Sud0.6%

172 others98.9%

Annéeint64

2017 - 2017

Afghanistan

2017

Afrique du Sud

2017

Albanie

2017

Algérie

2017

Allemagne

2017

Angola

2017

Antigua-et-Barbuda

2017

Arabie saoudite

2017

Argentine

2017

Arménie

2017

# 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)

Zoneobject

République centrafricaine0.6%

Zambie0.6%

172 others98.9%

Annéeint64

2017 - 2017

131

République centrafricaine

2017

172

Zambie

2017

Madagascar

2017

Afghanistan

2017

Haïti

2017

136

République populaire démocratique de Corée

2017

157

Tchad

2017

173

Zimbabwe

2017

120

Ouganda

2017

Éthiopie

2017

# 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)

Zoneobject

Tchad0.6%

Zimbabwe0.6%

172 others98.9%

Annéeint64

2017 - 2017

157

Tchad

2017

173

Zimbabwe

2017

172

Zambie

2017

Afghanistan

2017

Éthiopie

2017

Guinée-Bissau

2017

Bangladesh

2017

160

Timor-Leste

2017

171

Yémen

2017

146

Sénégal

2017

# 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)

Zoneobject

Rwanda0.6%

Madagascar0.6%

172 others98.9%

Annéeint64

2017 - 2017

140

Rwanda

2017

Madagascar

2017

Éthiopie

2017

Bangladesh

2017

Lesotho

2017

Afghanistan

2017

Cambodge

2017

136

République populaire démocratique de Corée

2017

134

République démocratique populaire lao

2017

Malawi

2017

# 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)

Zoneobject

Libéria0.6%

Guinée-Bissau0.6%

172 others98.9%

Annéeint64

2017 - 2017

Libéria

2017

Guinée-Bissau

2017

109

Mozambique

2017

131

République centrafricaine

2017

Madagascar

2017

Haïti

2017

173

Zimbabwe

2017

Congo

2017

120

Ouganda

2017

145

Sao Tomé-et-Principe

2017

# 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

Zoneobject

Inde0.6%

Japon0.6%

172 others98.8%

Produitobject

Abats Comestible1.1%

Beurre, Ghee1.1%

96 others97.8%

Afghanistan

Abats Comestible

Afghanistan

Agrumes, Autres

Afghanistan

Aliments pour enfants

Afghanistan

Ananas

Afghanistan

Bananes

Afghanistan

Beurre, Ghee

Afghanistan

Bière

Afghanistan

Blé

Afghanistan

Boissons Alcooliques

Afghanistan

Café

# 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

Zoneobject

Inde0.6%

Japon0.6%

172 others98.8%

Produitobject

Abats Comestible1.1%

Beurre, Ghee1.1%

96 others97.8%

Afghanistan

Abats Comestible

Afghanistan

Agrumes, Autres

Afghanistan

Aliments pour enfants

Afghanistan

Ananas

Afghanistan

Bananes

Afghanistan

Beurre, Ghee

Afghanistan

Bière

Afghanistan

Blé

Afghanistan

Boissons Alcooliques

Afghanistan

Café

# 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

Zoneobject

Inde0.6%

Japon0.6%

172 others98.8%

Produitobject

Abats Comestible1.1%

Beurre, Ghee1.1%

96 others97.8%

Afghanistan

Abats Comestible

Afghanistan

Agrumes, Autres

Afghanistan

Aliments pour enfants

Afghanistan

Ananas

Afghanistan

Bananes

Afghanistan

Beurre, Ghee

Afghanistan

Bière

Afghanistan

Blé

Afghanistan

Boissons Alcooliques

Afghanistan

Café

# 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

Zoneobject

Inde0.6%

Japon0.6%

172 others98.8%

Produitobject

Abats Comestible1.1%

Beurre, Ghee1.1%

96 others97.8%

Afghanistan

Abats Comestible

Afghanistan

Agrumes, Autres

Afghanistan

Aliments pour enfants

Afghanistan

Ananas

Afghanistan

Bananes

Afghanistan

Beurre, Ghee

Afghanistan

Bière

Afghanistan

Blé

Afghanistan

Boissons Alcooliques

Afghanistan

Café

# 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

Zoneobject

Inde0.6%

Japon0.6%

172 others98.8%

Produitobject

Abats Comestible1.1%

Beurre, Ghee1.1%

96 others97.8%

Afghanistan

Abats Comestible

Afghanistan

Agrumes, Autres

Afghanistan

Aliments pour enfants

Afghanistan

Ananas

Afghanistan

Bananes

Afghanistan

Beurre, Ghee

Afghanistan

Bière

Afghanistan

Blé

Afghanistan

Boissons Alcooliques

Afghanistan

Café

# 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

Zoneobject

Inde0.6%

Japon0.6%

172 others98.8%

Produitobject

Abats Comestible1.1%

Beurre, Ghee1.1%

96 others97.8%

Afghanistan

Abats Comestible

Afghanistan

Agrumes, Autres

Afghanistan

Aliments pour enfants

Afghanistan

Ananas

Afghanistan

Bananes

Afghanistan

Beurre, Ghee

Afghanistan

Bière

Afghanistan

Blé

Afghanistan

Boissons Alcooliques

Afghanistan

Café

# 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()

Zone                         0
Produit                      0
Année                        0
dispo Kcal/total/an       5527
dispo kg/total/an         3594
dispo prot_total/kg/an    4044
dtype: int64

# 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

Zoneobject

Canada0.9%

États-Unis d'Amérique0.8%

172 others98.3%

Produitobject

Blé2.1%

Fruits, Autres2.1%

91 others95.8%

Afghanistan

Abats Comestible

Afghanistan

Agrumes, Autres

Afghanistan

Aliments pour enfants

Afghanistan

Bananes

Afghanistan

Beurre, Ghee

Afghanistan

Blé

Afghanistan

Crème

Afghanistan

Fruits, Autres

Afghanistan

Graisses Animales Crue

Afghanistan

Huil Plantes Oleif Autr

# 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")

count     158.000000
mean      617.017036
std        74.550756
min       265.261628
25%       596.544576
50%       611.250698
75%       628.304325
max      1177.419331
Name: ratio_energie_poids, dtype: float64
count     100.000000
mean      967.507766
std       176.252868
min       667.682927
25%       876.900604
50%       953.865705
75%       989.051650
max      1738.095238
Name: ratio_energie_poids, dtype: float64
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']]

Unsupported output type: clearOutput

Zoneobject

Produitobject

Afghanistan

Abats Comestible

# 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

Zoneobject

Inde0.6%

Japon0.6%

172 others98.8%

Produitobject

Abats Comestible1.1%

Beurre, Ghee1.1%

96 others97.8%

Afghanistan

Abats Comestible

Afghanistan

Agrumes, Autres

Afghanistan

Aliments pour enfants

Afghanistan

Ananas

Afghanistan

Bananes

Afghanistan

Beurre, Ghee

Afghanistan

Bière

Afghanistan

Blé

Afghanistan

Boissons Alcooliques

Afghanistan

Café

#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

Zoneobject

Inde0.6%

Japon0.6%

172 others98.8%

Produitobject

Abats Comestible1.1%

Beurre, Ghee1.1%

96 others97.8%

Afghanistan

Abats Comestible

Afghanistan

Agrumes, Autres

Afghanistan

Aliments pour enfants

Afghanistan

Ananas

Afghanistan

Bananes

Afghanistan

Beurre, Ghee

Afghanistan

Bière

Afghanistan

Blé

Afghanistan

Boissons Alcooliques

Afghanistan

Café

# 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()

Zoneobject

Japon1.1%

Pérou1.1%

172 others97.8%

Produitobject

Légumes, Autres4.2%

Fruits, Autres4.1%

78 others91.8%

Afghanistan

Agrumes, Autres

Afghanistan

Blé

Afghanistan

Fruits, Autres

Afghanistan

Lait - Excl Beurre

Afghanistan

Légumes, Autres

Afghanistan

Légumineuses Autres

Afghanistan

Maïs

Afghanistan

Millet

Afghanistan

Oeufs

Afghanistan

Olives

# 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()

Zoneobject

Espagne1.4%

Allemagne1.4%

170 others97.3%

Produitobject

Maïs6.8%

Poissons Pelagiques6.8%

66 others86.4%

Afghanistan

Lait - Excl Beurre

Afghanistan

Légumineuses Autres

Afghanistan

Maïs

Afghanistan

Orge

Afghanistan

Sucre, betterave

Afghanistan

Sucre, canne

Afrique du Sud

Abats Comestible

Afrique du Sud

Avoine

Afrique du Sud

Blé

Afrique du Sud

Céréales, Autres

# 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()

Zoneobject

Japon0.8%

États-Unis d'Amérique0.8%

172 others98.4%

Produitobject

Blé1.7%

Fruits, Autres1.7%

93 others96.7%

Afghanistan

Abats Comestible

Afghanistan

Agrumes, Autres

Afghanistan

Aliments pour enfants

Afghanistan

Bananes

Afghanistan

Beurre, Ghee

Afghanistan

Bière

Afghanistan

Blé

Afghanistan

Crème

Afghanistan

Dattes

Afghanistan

Edulcorants Autres

# Localisation des disponbilités du manioc en Thaïlande dispo_manioc = dispo_alimentaire.loc[(dispo_alimentaire["Zone"] == "Thaïlande") & (dispo_alimentaire["Produit"] == "Manioc")] dispo_manioc

Zoneobject

Produitobject

13809

Thaïlande

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")

13809    83.4
dtype: float64
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")

13809    2.9
dtype: float64
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." )

Chaque année, la Thaïlande exporte 25214000000 KG de manioc. Si cette part était utilisée pour nourrir sa population, la Thaïlande pourrait subvenir aux besoins en alimentation de 45189475.0 individus, cela représente 65.3 % 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)

Valeurint64

6 - 1858943

République arabe syrienne

1858943

Éthiopie

1381294

Yémen

1206484

Soudan du Sud

695248

Soudan

669784

Kenya

552836

Bangladesh

348188

Somalie

292678

République démocratique du Congo

288502

Niger

276344

# total de l'aide fournie chaque année en tonnes df_aide.groupby('Année')[['Valeur']].sum()

Valeurint64

2013

4165674

2014

3939152

2015

2187507

2016

743568

# 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)

Les céréales sont de très loin l'aide alimentaire la plus distribuée chaque année :

Valeur,2013float64

1.0 - 1589646.0

Valeur,2014float64

52.0 - 1571543.0

Céréales

Blé et Farin

Non-céréales

Céréales Secondaires

Riz, total

Légumineuses Sèches,Tot.

Mélanges et préparations

Huiles végétales

BulgurFarEnt

Sucre, total

# 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)

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

Valeur,2013float64

34.0 - 591404.0

Valeur,2014float64

6.0 - 651870.0

République arabe syrienne

Éthiopie

Yémen

Soudan du Sud

Soudan

Kenya

Bangladesh

Somalie

République démocratique du Congo

Niger

# 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

Zoneobject

Afrique du Sud0.6%

Albanie0.6%

172 others98.8%

Produitobject

Blé11.5%

Maïs11.5%

7 others76.9%

Afghanistan

Blé

Afghanistan

Céréales, Autres

Afghanistan

Maïs

Afghanistan

Millet

Afghanistan

Orge

Afghanistan

Riz (Eq Blanchi)

Afrique du Sud

Avoine

Afrique du Sud

Blé

Afrique du Sud

Céréales, Autres

111

Afrique du Sud

Maïs

#aggregation par pays table_cereales = pd.pivot_table(data=df_cereales,index=['Zone'],aggfunc="sum") table_cereales

Aliments pour animauxfloat64

0.0 - 200672.0

Autres Utilisationsfloat64

0.0 - 137181.0

Afghanistan

560

Afrique du Sud

4803

Albanie

411

134

Algérie

4337

820

Allemagne

26661

1013

Angola

270

154

Antigua-et-Barbuda

Arabie saoudite

11764

Argentine

6231

1285

Arménie

332

# 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,"%")

Proportion dédiée à nourrir les animaux : 31.6 %
Proportion exportée: 19.2 %
Proportion utilisée pour nourrir les Hommes: 37.1 %

# Classement des 10 plus gros producteurs toutes céréales confondues table_cereales.nlargest(10, ['Production'])

Aliments pour animauxfloat64

6231.0 - 200672.0

Autres Utilisationsfloat64

1.0 - 137181.0

États-Unis d'Amérique

139985

137181

Chine, continentale

200672

40180

Inde

11366

Brésil

41868

Argentine

6231

1285

Fédération de Russie

31268

Canada

24371

950

France

18994

3437

Indonésie

8043

11956

Ukraine

20168

# Classement des 10 plus gros exportateurs toutes céréales confondues table_cereales.nlargest(10, ['Exportations - Quantité'])

Aliments pour animauxfloat64

6231.0 - 139985.0

Autres Utilisationsfloat64

1.0 - 137181.0

États-Unis d'Amérique

139985

137181

Brésil

41868

France

18994

3437

Argentine

6231

1285

Canada

24371

950

Ukraine

20168

Australie

6556

1046

Inde

11366

Fédération de Russie

31268

Allemagne

26661

1013

# 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

Aliments pour animauxfloat64

0.0 - 200672.0

Autres Utilisationsfloat64

0.0 - 137181.0

Afghanistan

560

Afrique du Sud

4803

Albanie

411

134

Algérie

4337

820

Allemagne

26661

1013

Angola

270

154

Antigua-et-Barbuda

Arabie saoudite

11764

Argentine

6231

1285

Arménie

332

table_cereales.nlargest(20, ['% utilisation nourriture humaine'])

Aliments pour animauxfloat64

0.0 - 210.0

Autres Utilisationsfloat64

0.0 - 83.0

Sao Tomé-et-Principe

Chine - RAS de Hong-Kong

Mauritanie

Djibouti

Timor-Leste

Kiribati

Haïti

Lesotho

Kenya

122

Guinée-Bissau

# 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

Zoneobject

Allemagne0.9%

Botswana0.9%

172 others98.2%

Produitobject

Blé17.3%

Riz (Eq Blanchi)17.3%

7 others65.4%

Afghanistan

Blé

Afghanistan

Maïs

Afghanistan

Millet

Afghanistan

Orge

Afghanistan

Riz (Eq Blanchi)

Afrique du Sud

Avoine

Afrique du Sud

Blé

Afrique du Sud

Céréales, Autres

111

Afrique du Sud

Maïs

113

Afrique du Sud

Millet

#jointure des 2 tables cereale = pd.merge(ratio_energie_cereales, df_cereales, on=["Zone", "Produit"]) cereale

Zoneobject

Allemagne0.9%

Botswana0.9%

172 others98.2%

Produitobject

Blé17.3%

Riz (Eq Blanchi)17.3%

7 others65.4%

Afghanistan

Blé

Afghanistan

Maïs

Afghanistan

Millet

Afghanistan

Orge

Afghanistan

Riz (Eq Blanchi)

Afrique du Sud

Avoine

Afrique du Sud

Blé

Afrique du Sud

Céréales, Autres

Afrique du Sud

Maïs

Afrique du Sud

Millet

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

Zoneobject

Allemagne0.9%

Botswana0.9%

172 others98.2%

Produitobject

Blé17.3%

Riz (Eq Blanchi)17.3%

7 others65.4%

Afghanistan

Blé

Afghanistan

Maïs

Afghanistan

Millet

Afghanistan

Orge

Afghanistan

Riz (Eq Blanchi)

Afrique du Sud

Avoine

Afrique du Sud

Blé

Afrique du Sud

Céréales, Autres

Afrique du Sud

Maïs

Afrique du Sud

Millet

# 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

Zoneobject

Allemagne0.9%

Botswana0.9%

172 others98.2%

Produitobject

Blé17.3%

Riz (Eq Blanchi)17.3%

7 others65.4%

Afghanistan

Blé

Afghanistan

Maïs

Afghanistan

Millet

Afghanistan

Orge

Afghanistan

Riz (Eq Blanchi)

Afrique du Sud

Avoine

Afrique du Sud

Blé

Afrique du Sud

Céréales, Autres

Afrique du Sud

Maïs

Afrique du Sud

Millet

cereale.nlargest(10, ['Exportations - Quantité'])

Zoneobject

Brésil20%

États-Unis d'Amérique20%

6 others60%

Produitobject

Blé50%

Maïs40%

Soja10%

145

Brésil

Soja

988

États-Unis d'Amérique

Blé

143

Brésil

Maïs

990

États-Unis d'Amérique

Maïs

327

France

Blé

188

Canada

Blé

Argentine

Maïs

Australie

Blé

935

Ukraine

Maïs

334

Fédération de Russie

Blé

print(ratio_energie[(ratio_energie['Produit'] == 'Blé')]['ratio_energie_poids'].describe())

count     174.000000
mean     2851.016900
std       212.546643
min      2308.891661
25%      2716.573492
50%      2830.089994
75%      2941.114877
max      3810.951188
Name: ratio_energie_poids, dtype: float64

# 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." )

Chaque année, les USA exportent 34691000000 KG de blé. Si cette part était utilisée pour nourrir la population mondiale, les USA pourraient subvenir aux besoins en alimentation de 112072523.0 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)

828110000000.0
2965.906649353854

# 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." )

Chaque année, 828110000000.0 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 2803763648.0 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." )

Chaque année, 103813000000.0 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 351483638.0 individus par an, soit presque les 2/3 de la population en état de sous-nutrition.