Associer des arrondissements à des données communales avec cartiflette

Author

Lino Galiana

Important

Cette page est un work in progress! Des exemples dans d’autres langages que Python viendront ultérieurement.

Cette page fait partie d’une série de tutoriels illustrant les fonctionnalités de cartiflette. Pour retrouver la liste de ceux-ci, c’est ici.

Ce tutoriel vise à illustrer un cas d’usage classique de cartiflette : récupérer de manière flexible un fonds de carte mélangeant les niveaux administratifs différents que sont communes et arrondissements.

Ce besoin classique est illustré à travers la construction d’une carte de la disponibilité de vélibs dans la petite couronne parisienne (Paris intra-muros et départements limitrophes). L’objectif de ce tutoriel est de faire une carte du nombre de vélibs au km² dans chaque arrondissement de Paris intra-muros et chaque commune de la petite couronne. Il illustre, pas à pas, la manière dont cartiflette simplifie la création de la Figure 1 :

html`<div class="destination-content">
  <!-- Content will be inserted here automatically -->
</div>`

window.onload = function() {
    // Capture the content within the 'final-map' class, targeting the nested 'cell-output cell-output-display' class
    const finalMapElement = document.querySelector('.final-map .cell-output.cell-output-display');

    if (finalMapElement) {
        const finalMapContent = finalMapElement.innerHTML;
        document.querySelector('.destination-content').innerHTML = finalMapContent;
    } else {
        console.error("The element with class 'cell-output cell-output-display' within 'final-map' was not found.");
    }
};

Pourquoi utiliser cartiflette pour ce type de besoins ?

Beaucoup moins de ligne de code à écrire :
- Réduit le temps nécessaire avant d’obtenir une carte exploratoire, ce qui permet de se concentrer sur la construction de celle-ci plutôt que les étapes antérieures
- Réduit la difficulté à mettre à jour le code ;
Moins de bande passante et d’espace disque utilisé car seule la donnée nécessaire est téléchargée ;
Moindre besoin d’expertise en SIG car la librairie fournit un GeoDataFrame prêt à l’emploi ce qui ne nécessite pas une connaissance pointue dans le domaine (système de projection, format shapefile, etc.) ;
Moins de risque d’erreur que lorsqu’on fait soi-même la combinaison de sources à des niveaux administratifs différents (accoler le masque des arrondissements à celui des communes limitrophes nécessite beaucoup de précautions) ;
Bénéficier de métadonnées supplémentaires sur les communes que les fonds de carte AdminExpress

Et Lyon et Marseille ?

cartiflette fournit le même découpage par arrondissement pour les villes de Lyon et Marseille. Pour cela, il suffit de demander une zone géographique englobant Lyon et Marseille, par exemple le département du Rhône ou la région Provence Alpes Côte d’Azur.

Pour en apprendre plus sur le traitement de données géographiques avec Python

Ce tutoriel présuppose une connaissance minimale de l’écosystème Python pour le traitement de données spatiales. Pour se familiariser à celui-ci, vous pouvez consulter ce cours d’Introduction à Python pour la data science de l’ENSAE ParisTech.

1 Préliminaire: récupération des localisations des stations

Les données Vélib que nous utiliserons sont récupérables directement avec GeoPandas. Il s’agit de la capacité et la localisation des stations sous la forme de latitude-longitude¹

import geopandas as gpd

velib_data = "https://opendata.paris.fr/explore/dataset/velib-emplacement-des-stations/download/?format=geojson&timezone=Europe/Berlin&lang=fr"
stations = gpd.read_file(velib_data)

Skipping field coordonnees_geo: unsupported OGR type: 3

Ces données prennent la forme suivante:

	capacity	name	stationcode	geometry
0	22	Basilique	32017	POINT (2.35887 48.93627)
1	30	De Toqueville - Terrasse	17048	POINT (2.314 48.88243)

et peuvent être localisées sur une carte de la manière suivante:

Voir le code pour générer la carte interactive 👇️

import folium
from folium.plugins import MarkerCluster

# 1. Calcul du centre de la carte et des bornes sw et ne
stations['lon'] = stations.geometry.x
stations['lat'] = stations.geometry.y
center = stations[['lat', 'lon']].mean().values.tolist()
sw = stations[['lat', 'lon']].min().values.tolist()
ne = stations[['lat', 'lon']].max().values.tolist()

m = folium.Map(location=center, tiles='OpenStreetMap')
marker_cluster = MarkerCluster().add_to(m)

# Add the markers to the MarkerCluster
for i in range(len(stations)):
    folium.Marker(
        location=[stations.iloc[i]['lat'], stations.iloc[i]['lon']],
        popup=stations.iloc[i]['name']
    ).add_to(marker_cluster)

# Fit the map bounds to the markers
m.fit_bounds([sw, ne])
m

1: Cette fonctionnalité permet d’avoir une carte interactive avec zoom progressifs car le nombre de stations est important ce qui ralentirait la carte de toutes les afficher

Make this Notebook Trusted to load map: File -> Trust Notebook

Nous allons avoir besoin des contours d’arrondissements et de communes pour deux raisons:

Localiser les stations à ce niveau d’analyse par le biais d’une jointure spatiale avant de pouvoir les agréger à ce niveau ;
Représenter ces données sur une carte présentant Paris intra-muros et les villes limitrophes participant au système Vélib.

2 Récupérer les contours administratifs officiels l’IGN via `cartiflette`

2.1 La récupération des données utilisant `cartiflette`

Les contours administratifs officiels sont produits par l’IGN et utilisent le code officiel géographique (COG) (liste officielle des entités administratives) produit par l’Insee.

La source la plus simple pour répondre à notre besoin est AdminExpress EXPRESS-COG-CARTO-TERRITOIRE. En l’occurrence, seuls quelques espaces nous intéressent: ce sont les villes et arrondissements de la petite couronne parisienne (départements 75, 92, 93 et 94).

Avec la fonction carti_download, l’import de ces données est assez transparent:

Listing 1: Example d’utilisation de cartiflette

from cartiflette import carti_download

# 1. Fonds communaux
contours_villes_arrt = carti_download(
    values = ["75", "92", "93", "94"],
    crs = 4326,
    borders="COMMUNE_ARRONDISSEMENT",
    filter_by="DEPARTEMENT",
    source="EXPRESS-COG-CARTO-TERRITOIRE",
    year=2022)

# 2. Départements 
departements = contours_villes_arrt.dissolve("INSEE_DEP")

1: 4326 est le code du système de représentation WGS84 (le même que celui des données Vélib). De futures développement de cartiflette permettront de récupérer des données avec d’autres projections, notamment les systèmes Lambert.
2: Ici on récupère seulement des départements, l’emprise la plus petite qui puisse satisfaire notre besoin. Néanmoins, il serait possible d’obtenir les données à une autre échelle géographique, par exemple la région Ile de France, en spécifiant les arguments filter_by="DEPARTEMENT" et values="11".
3: La construction du fonds de carte departements se fait simplement avec la méthode dissolve. Il nous sera utile pour contextualiser la carte.

This is an experimental version of cartiflette published on PyPi.
To use the latest stable version, you can install it directly from GitHub with the following command:
pip install git+https://github.com/inseeFrLab/cartiflette.git

contours_villes_arrt est un GeoDataFrame classique, il est donc possible d’appliquer à celui-ci les méthodes usuelles de GeoPandas par exemple la méthode dissolve ci-dessus. Le masque obtenu pour notre carte est celui-ci

contours_villes_arrt.plot()

Pour voir le code permettant d’obtenir un GeoDataFrame équivalent sans passer par cartiflette, vous pouvez vous rendre dans la partie Comment faire sans cartiflette ?. La section Bilan fournit quelques éléments de comparaison entre l’approche avec et celle sans cartiflette (temps de traitement, volume de données téléchargées, nombre de lignes de codes, etc.).

2.2 Le reste du travail après avoir utilisé `cartiflette`

La suite du travail n’est pas intrinsèquement lié à cartiflette mais correspond à de la manipulation de données spatiales.

Comme nous avons besoin de localiser les stations dans les arrondissements, nous faisons une jointure spatiale entre notre fonds de carte et nos données Vélib

stations_info = gpd.sjoin(
    stations, contours_villes_arrt, predicate="within"
)

Outre la localisation des stations au niveau communes ou arrondissement, cela permet d’ajouter une ribambelle de métadonnées (des informations annexes) à nos données initiales:

	capacity	name	stationcode	geometry	lon	lat	index_right	INSEE_DEP	INSEE_REG	ID	...	AAV2020	TAAV2017	TDAAV2017	CATEAAV2020	BV2012	LIBELLE_DEPARTEMENT	LIBELLE_REGION	PAYS	SOURCE	AREA
0	22	Basilique	32017	POINT (2.35887 48.93627)	2.358867	48.936269	56	93	11	COMMUNE_0000000009735515	...	001	5	50	12	75056	Seine-Saint-Denis	Île-de-France	France	IGN:EXPRESS-COG-CARTO-TERRITOIRE	metropole
1	30	De Toqueville - Terrasse	17048	POINT (2.314 48.88243)	2.314002	48.882428	11	75	11	ARR_MUNI0000000009736041	...	001	5	50	11	75056	Paris	Île-de-France	France	IGN:EXPRESS-COG-CARTO-TERRITOIRE	NaN

2 rows × 33 columns

Le décompte des stations par communes et arrondissements se fait alors assez aisément en utilisant la grammaire Pandas. Pour cela, il est possible d’utiliser la variable INSEE_COG construite par cartiflette pour consolider les codes communes des arrondissements et des communes²

comptes = (
    stations_info
    .groupby("INSEE_COG")
    .agg({"capacity": "sum"})
    .reset_index()
)

Enfin, il ne reste plus qu’à construire la variable d’intérêt, ce qui n’est pas du travail lié à cartiflette:

Dérouler 👇️ pour voir le code permettant préparer la carte

import pandas as pd

# Conversion des variables
contours_villes_arrt["INSEE_COG"] = contours_villes_arrt["INSEE_COG"].astype(str)
comptes["INSEE_COG"] = comptes["INSEE_COG"].astype(str)

# Jointure pour retrouver la dimension géographique de nos données agrégées
comptes_velib_by_city_arrt = contours_villes_arrt.merge(
    comptes, how = "inner", on = "INSEE_COG"
)
comptes_velib_by_city_arrt['densite'] = comptes_velib_by_city_arrt['capacity']

# Création des variables pour la taille de nos ronds proportionnels
df_points = comptes_velib_by_city_arrt.copy()

df_points["markersize"] = 12*df_points["densite"].div(comptes_velib_by_city_arrt.to_crs(2154).area.div(10**6).sum())

bins = [-float('inf'), 20, 100, 500, float('inf')]
labels = ["Moins de 20", "Entre 20 et 100", "Entre 100 et 500", "Plus de 500"]

df_points["markercolor"] = pd.cut(
    df_points['densite'], bins=bins, labels=labels, right=True
)

# Centre de nos cercles
df_points["geometry"] = df_points["geometry"].centroid

1: On force la conversion de la variable INSEE_COG en string pour éviter le type object de Pandas qui peut poser des problèmes lors des jointures.

Finalement, on obtient la carte avec le code suivant

Dérouler 👇️ pour voir le code permettant de faire la carte

import matplotlib.pyplot as plt

# Create a figure and axes object
fig, ax = plt.subplots(figsize=(7, 7))

# Plot the base map
comptes_velib_by_city_arrt.plot(
    ax=ax,
    color="lightgray",
    edgecolor="grey",
    linewidth=0.4,
    alpha=0.3
)

# Plot the points with customized colors and sizes
df_points.plot(
    ax=ax,
    column="markercolor",
    markersize="markersize",
    alpha=0.7,
    legend=True,
    legend_kwds={"loc": "upper center", "ncol": 2, "bbox_to_anchor": (0.5, 0.05)},
    cmap="viridis",
)

# Plot the department boundaries
departements.boundary.plot(ax=ax, edgecolor="black", alpha=0.3)

# Remove axes and set the title
ax.axis("off")
ax.set_title("Densité de population dans la petite couronne")

# Customize the legend title
ax.get_legend().set_title("Nombre de vélib par km²")

# Add source text
plt.figtext(
    0.3,
    0.15,
    "Source: IGN - AdminExpress",
    wrap=True,
    horizontalalignment="center",
    fontsize=8,
    style="italic",
)

# Show the final plot
plt.show()

Figure 1: Carte obtenue à l’issue de ce tutoriel

3 Comment faire sans `cartiflette` ?

L’approche est nettement plus fastidieuse sans cartiflette. Pour obtenir les mêmes données, prêtes à l’emploi, cela passe par quatre étapes principales:

1️⃣ Télécharger les données et les enregistrer sur le disque, en local.
2️⃣ Dézipper la version téléchargée (le format est une archive 7z) et enregistrer l’arborescence obtenue sur le disque.
3️⃣ Importer les bons shapefile dans Python.
4️⃣ Créer le fonds de carte consolidé en se restreignant aux départements d’intérêt pouis en retirant la commune de Paris et en y apposant, à la place, les arrondissements.

La première étape consiste donc à télécharger le fichier depuis le site de mise à disposition de l’IGN. L’archive étant assez volumineuse, le code proposé propose une barre de progrès pour s’assurer que le téléchargement progresse.

Le code étant assez long, il n’est pas apparent par défaut mais il suffit de cliquer ci-dessous:

Listing 2: 1️⃣ Code pour télécharger les données

1️⃣ Code pour télécharger les données

import os
import requests
import py7zr
from tqdm import tqdm

# Step 1: Download the file with progress bar
url = "https://data.geopf.fr/telechargement/download/ADMIN-EXPRESS-COG-CARTO/ADMIN-EXPRESS-COG-CARTO_3-1__SHP_WGS84G_FRA_2022-04-15/ADMIN-EXPRESS-COG-CARTO_3-1__SHP_WGS84G_FRA_2022-04-15.7z"
file_name = url.split("/")[-1]

def download_7z_archive(file_name):
    if os.path.exists(file_name) is False:
        # Streaming download with progress bar
        print("Downloading file...")
        response = requests.get(url, stream=True)
        total_size = int(response.headers.get('content-length', 0))

        with open(file_name, 'wb') as file, tqdm(
                desc=file_name,
                total=total_size,
                unit='iB',
                unit_scale=True,
                unit_divisor=1024,
            ) as bar:
            for chunk in response.iter_content(chunk_size=8192):
                size = file.write(chunk)
                bar.update(size)

        print(f"Downloaded {file_name}")
        return file_name
    else:
        print("File exists, please delete it before going further")

download_7z_archive(file_name)

La deuxième étape consiste à dézipper la version téléchargée en local

Listing 3: 2️⃣ Dézipper la version téléchargée

2️⃣ Dézipper la version téléchargée

def extract_7z_archive(
    file_name, output_dir = "extracted_files"
):
    # Step 2: Extract the .7z file
    os.makedirs(output_dir, exist_ok=True)

    print("Extracting the file...")
    with py7zr.SevenZipFile(file_name, mode='r') as z:
        z.extractall(path=output_dir)
    print(f"Extracted to {output_dir}")
    return output_dir

extract_7z_archive(file_name)

La troisième étape consiste à importer les fonds de carte désirés. Le piège à cette étape est qu’il existe deux fonds de carte d’arrondissements: les arrondissements départementaux(subdivisions départementales) et les arrondissements municipaux (subdivisions des trois plus grandes villes françaises). Ce sont ces derniers qui nous intéressent. Ils sont livrés sous le nom de fichier ARRONDISSEMENT_MUNICIPAL (à ne pas confondre avec ARRONDISSEMENT qui correspond aux arrondissements départementaux).

Les données sont livrées au format shapefile, un format propriétaire bien connu des spécialistes des SIG. Moins pratique que le GeoJSON pour les utilisateurs de Python, il est tout de même possible de le lire directement avec GeoPandas

Listing 4: 3️⃣ Importer le bon shapefile dans Python

3️⃣ Importer le bon shapefile dans Python

path_extraction = "./extracted_files/ADMIN-EXPRESS-COG-CARTO_3-1__SHP_WGS84G_FRA_2022-04-15/ADMIN-EXPRESS-COG-CARTO/1_DONNEES_LIVRAISON_2022-04-15/ADECOGC_3-1_SHP_WGS84G_FRA/"

# Limites communales
city_shapefile = gpd.read_file(f"{path_extraction}/COMMUNE.shp")

# Arrondissements
arrondissement_shapefile = gpd.read_file(f"{path_extraction}/ARRONDISSEMENT_MUNICIPAL.shp")

# Départements
departements_shapefile = gpd.read_file(f"{path_extraction}/DEPARTEMENT.shp")

La 4e et dernière étape, la plus propice à faire des erreurs, est celle qui consiste à restreindre les données à notre aire d’intérêt et à superposer les masques du fonds des arrondissements municipaux avec celui des communes.

Listing 5: 4️⃣ Consolider pour obtenir le fonds de carte désiré

4️⃣ Consolider pour obtenir le fonds de carte désiré

import pandas as pd

# 1. Filtrer les données à l'emprise désirée
city_shapefile = city_shapefile.loc[
    city_shapefile['INSEE_DEP'].isin(["75", "92", "93", "94"])
]
arrondissement_shapefile = arrondissement_shapefile.loc[
    arrondissement_shapefile['INSEE_COM'].str[:2] == "75"
]

# 2. Préparer la superposition des fonds de carte
city_shapefile = (
    city_shapefile
    .loc[city_shapefile["INSEE_DEP"] != "75"]
)
city_shapefile['INSEE_COG'] = city_shapefile['INSEE_COM']
arrondissement_shapefile['INSEE_COG'] = arrondissement_shapefile['INSEE_COM']
arrondissement_shapefile['INSEE_COM'] = "75056"

geodataframe_cartiflette_like = pd.concat(
    [city_shapefile, arrondissement_shapefile]
)

1: On crée les variables INSEE_COG et INSEE_COM pour avoir des identifiants de localisation équivalents à ceux de cartiflette
2: Code commune de la ville de Paris

4 Bilan

Si le fait qu’il suffise que le code de cartiflette se réduise à Listing 1 contre Listing 2, Listing 3, Listing 4, Listing 5 pour obtenir un résultat équivalent ne suffit pas, si le fait que le GeoDataFrame obtenu avec cartiflette comporte plus de métadonnées que celui créé sans ce package n’est pas non plus suffisant, la suite déroule quelques arguments supplémentaires de l’intérêt d’utiliser cartiflette.

4.1 Volume de données téléchargées

Fonction convert_size pour avoir les tailles de fichiers dans un format lisible par un humain

# Convert to a human-readable format (e.g., MB, GB)
def convert_size(size_bytes):
    if size_bytes == 0:
        return "0B"
    size_name = ("B", "KB", "MB", "GB", "TB")
    i = int(math.floor(math.log(size_bytes, 1024)))
    p = math.pow(1024, i)
    s = round(size_bytes / p, 2)
    return f"{s} {size_name[i]}"

Evaluation de la taille des fichiers issus d’AdminExpress

import math
import os
from pathlib import Path

# Path to the zipped file
zipped_file = "ADMIN-EXPRESS-COG-CARTO_3-1__SHP_WGS84G_FRA_2022-04-15.7z"

# Get the size of the zipped file in bytes
zipped_size = os.path.getsize(zipped_file)

# Path to the directory containing unzipped files
unzipped_dir = "./extracted_files"

root_directory = Path(unzipped_dir)
size_dir = sum(f.stat().st_size for f in root_directory.glob('**/*') if f.is_file())

poids_archive_compressee = convert_size(zipped_size)
poids_archive_decompressee = convert_size(size_dir)

Evaluation de la taille des mêmes données issues de cartiflette

writedir = "cartiflette-data/usecase1"
os.makedirs(writedir, exist_ok=True)
contours_villes_arrt.to_file(
    f"{writedir}/contours.shp"
)

poids_archive_cartiflette_bytes = os.path.getsize(f"{writedir}/contours.shp")
poids_archive_cartiflette = convert_size(
    poids_archive_cartiflette_bytes
)

1: On crée un shapefile avec le GeoDataFrame obtenu depuis cartiflette afin d’avoir une comparaison honnête avec le fonds de carte issu du site de l’IGN.

La première base de comparaison possible est la taille sur disque des fonds de carte récupérés par cartiflette ou sans passer par ce package. Le code ci-dessus ☝️ permet de construire les statistiques suivantes:

Les données cartiflette représenteraient 182.23 KB si elles étaient stockées sur disque.
Sans passer par cartiflette, on a besoin de 240.67 MB pour stocker les fonds de carte décompressés auxquels il faut ajouter 142.86 MB pour stocker l’archive compressée.

Autrement dit, les données récupérées sans cartiflette représentent 2155 fois le volume de celles exclusivement nécessaires pour cette carte.

L’arborescence du dossier décompressé est également assez conséquente: nous avons 68 fichiers. L’arborescence complète obtenue sans cartiflette est disponible ci-dessous. Avec cartiflette aucun fichier n’est écrit sur disque, tout est directement accessible dans la session Python.

Arborescence complète

extracted_files/
└── ADMIN-EXPRESS-COG-CARTO_3-1__SHP_WGS84G_FRA_2022-04-15/
    ├── ADMIN-EXPRESS-COG-CARTO/
    │   ├── 1_DONNEES_LIVRAISON_2022-04-15/
    │   │   ├── ADECOGC_3-1_SHP_WGS84G_FRA/
    │   │   │   ├── ARRONDISSEMENT.cpg
    │   │   │   ├── ARRONDISSEMENT.dbf
    │   │   │   ├── ARRONDISSEMENT.prj
    │   │   │   ├── ARRONDISSEMENT.shp
    │   │   │   ├── ARRONDISSEMENT.shx
    │   │   │   ├── ARRONDISSEMENT_MUNICIPAL.cpg
    │   │   │   ├── ARRONDISSEMENT_MUNICIPAL.dbf
    │   │   │   ├── ARRONDISSEMENT_MUNICIPAL.prj
    │   │   │   ├── ARRONDISSEMENT_MUNICIPAL.shp
    │   │   │   ├── ARRONDISSEMENT_MUNICIPAL.shx
    │   │   │   ├── CANTON.cpg
    │   │   │   ├── CANTON.dbf
    │   │   │   ├── CANTON.prj
    │   │   │   ├── CANTON.shp
    │   │   │   ├── CANTON.shx
    │   │   │   ├── CHFLIEU_ARRONDISSEMENT_MUNICIPAL.cpg
    │   │   │   ├── CHFLIEU_ARRONDISSEMENT_MUNICIPAL.dbf
    │   │   │   ├── CHFLIEU_ARRONDISSEMENT_MUNICIPAL.prj
    │   │   │   ├── CHFLIEU_ARRONDISSEMENT_MUNICIPAL.shp
    │   │   │   ├── CHFLIEU_ARRONDISSEMENT_MUNICIPAL.shx
    │   │   │   ├── CHFLIEU_COMMUNE.cpg
    │   │   │   ├── CHFLIEU_COMMUNE.dbf
    │   │   │   ├── CHFLIEU_COMMUNE.prj
    │   │   │   ├── CHFLIEU_COMMUNE.shp
    │   │   │   ├── CHFLIEU_COMMUNE.shx
    │   │   │   ├── CHFLIEU_COMMUNE_ASSOCIEE_OU_DELEGUEE.cpg
    │   │   │   ├── CHFLIEU_COMMUNE_ASSOCIEE_OU_DELEGUEE.dbf
    │   │   │   ├── CHFLIEU_COMMUNE_ASSOCIEE_OU_DELEGUEE.prj
    │   │   │   ├── CHFLIEU_COMMUNE_ASSOCIEE_OU_DELEGUEE.shp
    │   │   │   ├── CHFLIEU_COMMUNE_ASSOCIEE_OU_DELEGUEE.shx
    │   │   │   ├── COLLECTIVITE_TERRITORIALE.cpg
    │   │   │   ├── COLLECTIVITE_TERRITORIALE.dbf
    │   │   │   ├── COLLECTIVITE_TERRITORIALE.prj
    │   │   │   ├── COLLECTIVITE_TERRITORIALE.shp
    │   │   │   ├── COLLECTIVITE_TERRITORIALE.shx
    │   │   │   ├── COMMUNE.cpg
    │   │   │   ├── COMMUNE.dbf
    │   │   │   ├── COMMUNE.prj
    │   │   │   ├── COMMUNE.shp
    │   │   │   ├── COMMUNE.shx
    │   │   │   ├── COMMUNE_ASSOCIEE_OU_DELEGUEE.cpg
    │   │   │   ├── COMMUNE_ASSOCIEE_OU_DELEGUEE.dbf
    │   │   │   ├── COMMUNE_ASSOCIEE_OU_DELEGUEE.prj
    │   │   │   ├── COMMUNE_ASSOCIEE_OU_DELEGUEE.shp
    │   │   │   ├── COMMUNE_ASSOCIEE_OU_DELEGUEE.shx
    │   │   │   ├── DEPARTEMENT.cpg
    │   │   │   ├── DEPARTEMENT.dbf
    │   │   │   ├── DEPARTEMENT.prj
    │   │   │   ├── DEPARTEMENT.shp
    │   │   │   ├── DEPARTEMENT.shx
    │   │   │   ├── EPCI.cpg
    │   │   │   ├── EPCI.dbf
    │   │   │   ├── EPCI.prj
    │   │   │   ├── EPCI.shp
    │   │   │   ├── EPCI.shx
    │   │   │   ├── REGION.cpg
    │   │   │   ├── REGION.dbf
    │   │   │   ├── REGION.prj
    │   │   │   ├── REGION.shp
    │   │   │   └── REGION.shx
    │   │   └── ADECOGC_3-1_SHP_WGS84G_FRA.md5
    │   ├── 1_DONNEES_LIVRAISON_2022-04-15.md5
    │   ├── 2_METADONNEES_LIVRAISON_2022-04-15/
    │   │   ├── ADECOGC_3-1_SHP_WGS84G_FRA/
    │   │   │   ├── IGNF_ADECOGC_3-1_SHP_WGS84G_FRA.html
    │   │   │   └── IGNF_ADECOGC_3-1_SHP_WGS84G_FRA.xml
    │   │   └── ADECOGC_3-1_SHP_WGS84G_FRA.md5
    │   ├── 2_METADONNEES_LIVRAISON_2022-04-15.md5
    │   └── LISEZ-MOI.pdf
    └── ADMIN-EXPRESS-COG-CARTO.md5

4.2 Nombre de lignes de code

md`La récupération des données avec \`cartiflette\` ne demande que __${nlines_cartiflette} lignes de code__ contre __${nlines_no_cartiflette} sans \`cartiflette\`__`

En ce qui concerne le temps de développement de ce code, on est sur quelques secondes pour le code avec cartiflette en utilisant la documentation interactive d’exemples contre plusieurs dizaines de minutes pour le code sans cartiflette.

4.3 Temps de traitement

Le code cartiflette permet de récupérer les éléments contextuels nécessaires en 4 secondes. Sans cartiflette, il faut 17 secondes. Sans cartiflette, soit un rapport de 1 à 4 pour cette tâche.

labels = [
    'lst-example-download-adminexpress',
    'lst-example-unzip-adminexpress',
    'lst-example-open-adminexpress',
    'lst-example-merge-adminexpres'
]
labels_cartiflette = [
    'lst-cartiflette-example'
]
nlines_no_cartiflette = d3.sum(nrows_no_cartiflette)
nlines_cartiflette = d3.sum(nrows_cartiflette)

function extractLineNumbers(label) {
    const selector = `[aria-describedby^="${label}"]`;
    const blocks = document.querySelectorAll(selector);

    let lineNumbers = [];

    blocks.forEach(block => {
        // Search for ids matching "annotated-cell-XX-N"
        const annotatedCells = block.querySelectorAll('[id^="annotated-cell-"]');
        annotatedCells.forEach(cell => {
            const match = cell.id.match(/annotated-cell-\d+-(\d+)/);
            if (match) {
                lineNumbers.push(parseInt(match[1], 10));
            }
        });

        // Search for ids matching "cbXX-N"
        const cbCells = block.querySelectorAll('[id^="cb"]');
        cbCells.forEach(cell => {
            const match = cell.id.match(/cb\d+-(\d+)/);
            if (match) {
                lineNumbers.push(parseInt(match[1], 10));
            }
        });
    });

    return lineNumbers;
}

function getMaxLineNumber(label) {
    const lineNumbers = extractLineNumbers(label);
    return Math.max(...lineNumbers);
}

// Iterate over labels to get max line numbers
nrows_no_cartiflette = labels.map(label => {
    const maxLineNumber = getMaxLineNumber(label);
    return maxLineNumber;
})

nrows_cartiflette = labels_cartiflette.map(label => {
    const maxLineNumber = getMaxLineNumber(label);
    return maxLineNumber;
})

Footnotes

Le système de coordonnées WGS84 (World Geodetic System 1984) est un système de référence géodésique utilisé pour représenter les positions géographiques sur la Terre. Ce système est utilisé par la plupart des applications GPS et des fournisseurs de tuiles vectorielles comme OpenStreetMap.↩︎
La variable INSEE_COM correspond au code officiel géographique au niveau communal. La valeur est donc identique pour les 20 arrondissements parisiens.↩︎