Assemblez et communiquez vos graphiques

Vous avez maintenant tous les ingrédients : vous savez choisir la bonne famille de graphique, le produire avec Seaborn, le rendre interactif avec Plotly. Il vous reste la décision la plus importante, celle qui transforme une collection de graphiques en un vrai livrable : que montrer, dans quel ordre, et pour qui ? C'est tout l'enjeu de ce dernier chapitre !

Choisissez vos graphiques selon l'audience

Le médecin-chef n'est pas votre seule audience possible. Et selon qui regarde votre notebook, les mêmes graphiques ne se présentent pas de la même façon.

1. Premier contexte : la présentation à un métier, comme notre médecin-chef. Ici, la règle d'or est simple : un message par graphique, exprimé dans un titre en langage naturel. Pas de jargon, pas de paramètres techniques visibles. Votre graphique Q3 (répartition des douleurs thoraciques) gagnera à s'intituler « La douleur asymptomatique est la plus fréquente chez les patients à risque », plutôt que « Répartition de ChestPainType ». Pour cette audience, privilégiez les graphiques les plus directement interprétables : Q1, Q3, Q4 s'y prêtent particulièrement bien, car ils répondent chacun à une question concrète et isolée.

2. Deuxième contexte : la soutenance de projet. Ici, votre audience attend à la fois de la rigueur et de la lisibilité. Les légendes doivent être complètes, les palettes cohérentes d'un graphique à l'autre (n'utilisez pas une couleur différente pour représenterHeartDiseasedans chaque graphique), et chaque choix de représentation doit pouvoir se justifier si on vous le demande. C'est le moment de montrer l'ensemble du raisonnement, du Q1 au Q5.

3. Troisième contexte : l'entretien ou le portfolio. Là, l'enjeu change de nature : on ne juge plus seulement si vous savez exécuter du code, mais si vous savez choisir. Un recruteur qui voit 5 graphiques différents pour 5 questions différentes comprend que vous maîtrisez la logique de data visualisation. Le graphique Q5, le plus complexe du cours, est particulièrement parlant dans ce contexte : il montre que vous savez gérer une question multi-variables, pas seulement reproduire un histogramme.

Enrichissez vos graphiques

Vous avez déjà des graphiques fonctionnels. Voici trois techniques simples pour les rendre réellement communicants, applicables aussi bien en Seaborn qu'en Plotly.

1. La première, c'est le titre descriptif. Un titre comme « Distribution de l'âge » décrit la donnée. Un titre comme « Les patients malades sont en moyenne plus âgés » décrit le message. Le second fait gagner du temps à votre lecteur : il sait quoi chercher avant même de regarder le graphique.

2. La deuxième technique, c'est l'annotation ciblée. Une flèche pointant le pic d'une courbe, une ligne de seuil marquant une valeur de référence : ces petits ajouts guident l'œil vers l'information qui compte, sans que le lecteur ait à l'extraire lui-même.

plt.axvline(x=df["Age"].mean(), color="grey", linestyle="--")
plt.text(df["Age"].mean() + 1, 0.02, "Âge moyen", color="grey")

1. La troisième, c'est la mise en avant visuelle. Sur votre graphique Q3, par exemple, vous pouvez attribuer une couleur de contraste à la catégorie ASY (la plus liée au diagnostic positif) et garder une teinte neutre, voire une opacité réduite, pour les trois autres catégories. Le regard se porte alors immédiatement sur l'information clé.

Ces trois techniques ne demandent ni nouvelle librairie ni nouvelle syntaxe complexe. Elles demandent simplement de se poser deux question avant de considérer un graphique terminé : qu'est-ce que je veux que mon lecteur retienne, et est-ce que mon graphique le lui montre sans effort ?

Évitez les pièges classiques

Avant d'assembler votre notebook final, un détour s'impose par les erreurs les plus fréquentes en dataviz, celles qui peuvent saboter un graphique par ailleurs bien choisi.

1. Premier piège : l'axe Y tronqué. Démarrer un axe à 100 plutôt qu'à 0 peut exagérer artificiellement une différence qui, en réalité, est minime. Sur notre dataset, la différence de fréquence cardiaque maximale moyenne entre patients sains (148 bpm) et malades (128 bpm) est déjà significative ; tronquer l'axe la rendrait encore plus spectaculaire qu'elle ne l'est, au prix de l'honnêteté du graphique.

   

2. Deuxième piège : le double axe Y. Superposer deux variables sur deux échelles différentes peut suggérer une corrélation qui n'existe pas réellement. Mieux vaut deux graphiques séparés, ou un seul axe partagé si les échelles le permettent.

   

3. Troisième piège : le camembert à trop de catégories. Au-delà de 4 ou 5 catégories, un camembert devient illisible. Un graphique en barres triées reste presque toujours préférable.

   

4. Quatrième piège : les couleurs non accessibles. Une palette rouge/vert reste invisible pour une partie de votre audience daltonienne. Préférez des palettes testées pour le contraste.

   

5. Cinquième piège : la sur-décoration. Titres en gras partout, grille épaisse, fond coloré : chaque élément visuel supplémentaire qui n'apporte pas d'information ajoute de la charge cognitive, sans bénéfice pour le lecteur.

   

À vous de jouer !

Contexte

Le moment est venu d'assembler votre notebook final. Reprenez le notebook utilisé dans les chapitres précédents : il doit contenir vos importations, le chargement deheart.csv, vos graphiques Seaborn et Plotly, ainsi que vos commentaires en cellules Markdown.

Avant de commencer, vérifiez que votre notebook s'exécute du début à la fin sans erreur. Si vous ouvrez un nouveau notebook, pensez à réinstaller les bibliothèques nécessaires si votre environnement le demande :

!pip install pandas seaborn matplotlib plotly

Il vous reste une dernière question à traiter, la plus complexe du fil rouge : Q5, le profil visuel du patient à risque, croisant plusieurs variables simultanément. À partir du fichierheart.csv, produisez un graphique répondant à Q5 avec Plotly (violin plot ou parallel coordinates), puis assemblez l'ensemble de votre notebook : 4 à 5 graphiques répondant aux 5 questions métier du fil rouge, chacun accompagné d'une cellule Markdown expliquant votre choix de représentation et ce que le graphique révèle des données.

En résumé

• Un notebook de visualisations bien fait répond à des questions, il ne fait pas un tour des graphiques disponibles.

• Adapter ses graphiques à l'audience, c'est choisir le niveau de détail, le titre et l'ordre de lecture, pas changer de librairie.

• Trois enrichissements simples transforment un graphique fonctionnel en graphique communicant : un titre descriptif, une annotation ciblée, une palette cohérente.

• Les 5 pièges à éviter absolument : axe tronqué, double axe Y trompeur, camembert surchargé, couleurs inaccessibles, sur-décoration.

• Ce notebook est votre premier livrable dataviz partageable : il peut entrer directement dans votre portfolio, et sera réutilisé dans le cours sur Streamlit.

Vous avez maintenant assemblé votre premier notebook de visualisations, de la question métier au livrable partageable. Avant de clore cette première partie, un quiz vous attend pour vérifier que les notions clés sont bien en place.