🩺 Projet 4 – Étude de santé publique

Analyse des causes de la sous-nutrition mondiale (2013–2018)

OBJECTIF DE CE NOTEBOOK¶

Ce notebook a pour objectif d’analyser la disponibilité alimentaire mondiale et les facteurs associés à la sous-nutrition, à travers plusieurs étapes de traitement et de visualisation de données.

📖 Sommaire¶

1 – Importation des librairies et chargement des fichiers

  • 1.1 - Importation des librairies
  • 1.2 - Chargement des fichiers Excel

2 - Analyse exploratoire des fichiers

  • 2.1 - Analyse exploratoire du fichier population
  • 2.2 - Analyse exploratoire du fichier disponibilité alimentaire
  • 2.3 - Analyse exploratoire du fichier aide alimentaire
  • 2.4 - Analyse exploratoire du fichier sous nutrition

3 – Analyse de la sous-nutrition

  • 3.1 - Proportion de personnes en sous nutrition
  • 3.2 - Nombre théorique de personnes qui pourraient être nourries
  • 3.3 - Nombre théorique de personnes nourries avec les produits végétaux
  • 3.4 - Utilisation de la disponibilité intérieure
  • 3.5 - Utilisation des céréales
  • 3.6 - Pays avec la proportion de personnes sous-alimentées la plus forte en 2017
  • 3.7 - Pays qui ont le plus bénéficié d'aide alimentaire depuis 2013
  • 3.8 - Évolution des 5 pays ayant le plus bénéficié d'aide alimentaire entre 2013 et 2016
  • 3.9 - Pays avec le moins de disponibilité par habitant
  • 3.10 - Pays avec le plus de disponibilité par habitant
  • 3.11 - Exemple de la Thaïlande pour le Manioc

4 - Taux moyen de sous-nutrition par continent

  • 4.1 - Taux moyen de sous-nutrition par continent
  • 4.2 - Évolution de la sous-nutrition (2013–2018)
  • 4.3 - Corrélation apport calorique / sous-nutrition

5 - Conclusion

🧩 Langage : Python
📊 Librairies principales : pandas, matplotlib, numpy
📁 Fichiers utilisés :

  • dispo_alimentaire.csv
  • population.csv
  • sous_nutrition.csv

Étape 1 - Importation des librairies et chargement des fichiers

1.1 - Importation des librairies

In [2]:
# Importation de la librairie Pandas
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

1.2 - Chargement des fichiers Excel

In [3]:
#Importation du fichier population.csv
population = pd.read_csv("data/population.csv")

#Importation du fichier dispo_alimentaire.csv
dispo = pd.read_csv("data/dispo_alimentaire.csv")

#Importation du fichier aide_alimentaire.csv
aide = pd.read_csv("data/aide_alimentaire.csv")

#Importation du fichier sous_nutrition.csv
sous_nutrition = pd.read_csv("data/sous_nutrition.csv")

Étape 2 - Analyse exploratoire des fichiers

2.1 - Analyse exploratoire du fichier population

In [4]:
#Afficher les dimensions du dataset
print("Le tableau comporte {} observation(s) ou article(s)".format(population.shape[0]))
print("Le tableau comporte {} colonne(s)".format(population.shape[1]))

Le tableau comporte 1416 observation(s) ou article(s)
Le tableau comporte 3 colonne(s)
In [5]:
#Consulter le nombre de colonnes
#La nature des données dans chacune des colonnes
#Le nombre de valeurs présentes dans chacune des colonnes

# Informations sur le fichier population.csv
print("\nPopulation :")
print(population.info())
print(population.describe())

# Informations sur dispo_alimentaire.csv
print("\nDisponibilité alimentaire :")
print(dispo.info())
print(dispo.describe())

# Informations sur aide_alimentaire.csv
print("\nAide alimentaire :")
print(aide.info())
print(aide.describe())

# Informations sur sous_nutrition.csv
print("\nSous-nutrition :")
print(sous_nutrition.info())
print(sous_nutrition.describe())

Population :
<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
             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

Disponibilité alimentaire :
<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
       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  

Aide alimentaire :
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1475 entries, 0 to 1474
Data columns (total 4 columns):
 #   Column             Non-Null Count  Dtype 
---  ------             --------------  ----- 
 0   Pays bénéficiaire  1475 non-null   object
 1   Année              1475 non-null   int64 
 2   Produit            1475 non-null   object
 3   Valeur             1475 non-null   int64 
dtypes: int64(2), object(2)
memory usage: 46.2+ KB
None
             Année         Valeur
count  1475.000000    1475.000000
mean   2014.054237    7481.966780
std       0.946916   23339.531424
min    2013.000000       0.000000
25%    2013.000000     287.500000
50%    2014.000000    1178.000000
75%    2015.000000    4334.500000
max    2016.000000  265013.000000

Sous-nutrition :
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1218 entries, 0 to 1217
Data columns (total 3 columns):
 #   Column  Non-Null Count  Dtype 
---  ------  --------------  ----- 
 0   Zone    1218 non-null   object
 1   Année   1218 non-null   object
 2   Valeur  624 non-null    object
dtypes: object(3)
memory usage: 28.7+ KB
None
               Zone      Année Valeur
count          1218       1218    624
unique          203          6    139
top     Afghanistan  2012-2014   <0.1
freq              6        203    120
In [6]:
#Affichage les 5 premières lignes de la table

# Affichage du fichier population.csv
print("Population :")
display(population.head())

# Affichage du fichier dispo_alimentaire.csv
print("Disponibilité alimentaire :")
display(dispo.head())

# Affichage du fichier aide_alimentaire.csv
print("Aide alimentaire :")
display(aide.head())

# Affichage du fichier sous_nutrition.csv
print("Sous-nutrition :")
display(sous_nutrition.head())

Population :
Zone Année Valeur
0 Afghanistan 2013 32269.589
1 Afghanistan 2014 33370.794
2 Afghanistan 2015 34413.603
3 Afghanistan 2016 35383.032
4 Afghanistan 2017 36296.113 
Disponibilité alimentaire :
Zone Produit Origine Aliments pour animaux Autres Utilisations 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) Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Semences Traitement Variation de stock
0 Afghanistan Abats Comestible animale NaN NaN 5.0 1.72 0.20 0.77 53.0 NaN NaN 53.0 NaN 53.0 NaN NaN NaN
1 Afghanistan Agrumes, Autres vegetale NaN NaN 1.0 1.29 0.01 0.02 41.0 2.0 40.0 39.0 2.0 3.0 NaN NaN NaN
2 Afghanistan Aliments pour enfants vegetale NaN NaN 1.0 0.06 0.01 0.03 2.0 NaN 2.0 2.0 NaN NaN NaN NaN NaN
3 Afghanistan Ananas vegetale NaN NaN 0.0 0.00 NaN NaN 0.0 NaN 0.0 0.0 NaN NaN NaN NaN NaN
4 Afghanistan Bananes vegetale NaN NaN 4.0 2.70 0.02 0.05 82.0 NaN 82.0 82.0 NaN NaN NaN NaN NaN 
Aide alimentaire :
Pays bénéficiaire Année Produit Valeur
0 Afghanistan 2013 Autres non-céréales 682
1 Afghanistan 2014 Autres non-céréales 335
2 Afghanistan 2013 Blé et Farin 39224
3 Afghanistan 2014 Blé et Farin 15160
4 Afghanistan 2013 Céréales 40504 
Sous-nutrition :
Zone Année Valeur
0 Afghanistan 2012-2014 8.6
1 Afghanistan 2013-2015 8.8
2 Afghanistan 2014-2016 8.9
3 Afghanistan 2015-2017 9.7
4 Afghanistan 2016-2018 10.5
In [7]:
#Nous allons harmoniser les unités. Pour cela, nous avons décidé de multiplier la population par 1000

# Multiplication de la colonne valeur par 1000
population["Valeur"] = population["Valeur"] * 1000
display(population.head())
Zone Année Valeur
0 Afghanistan 2013 32269589.0
1 Afghanistan 2014 33370794.0
2 Afghanistan 2015 34413603.0
3 Afghanistan 2016 35383032.0
4 Afghanistan 2017 36296113.0
In [8]:
#Changement du nom de la colonne Valeur par Population
population = population.rename(columns={"Valeur": "Population"})
In [9]:
#Affichage les 5 premières lignes de la table pour voir les modifications
display(population.head())
Zone Année Population
0 Afghanistan 2013 32269589.0
1 Afghanistan 2014 33370794.0
2 Afghanistan 2015 34413603.0
3 Afghanistan 2016 35383032.0
4 Afghanistan 2017 36296113.0

2.2 - Analyse exploratoire du fichier disponibilité alimentaire

In [10]:
#Afficher les dimensions du dataset
print("Dimensions du dataset :", dispo.shape)

Dimensions du dataset : (15605, 18)
In [11]:
#Consulter le nombre de colonnes
print("\nInfos sur les colonnes :")
print(dispo.info())

Infos sur les colonnes :
<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
In [12]:
#Affichage les 5 premières lignes de la table
print("\nAperçu du dataset :")
display(dispo.head())

Aperçu du dataset :
Zone Produit Origine Aliments pour animaux Autres Utilisations 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) Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Semences Traitement Variation de stock
0 Afghanistan Abats Comestible animale NaN NaN 5.0 1.72 0.20 0.77 53.0 NaN NaN 53.0 NaN 53.0 NaN NaN NaN
1 Afghanistan Agrumes, Autres vegetale NaN NaN 1.0 1.29 0.01 0.02 41.0 2.0 40.0 39.0 2.0 3.0 NaN NaN NaN
2 Afghanistan Aliments pour enfants vegetale NaN NaN 1.0 0.06 0.01 0.03 2.0 NaN 2.0 2.0 NaN NaN NaN NaN NaN
3 Afghanistan Ananas vegetale NaN NaN 0.0 0.00 NaN NaN 0.0 NaN 0.0 0.0 NaN NaN NaN NaN NaN
4 Afghanistan Bananes vegetale NaN NaN 4.0 2.70 0.02 0.05 82.0 NaN 82.0 82.0 NaN NaN NaN NaN NaN
In [13]:
#Remplacement des NaN dans le dataset par des 0
dispo = dispo.fillna(0)
print("\nAprès remplacement des NaN par 0 :")
display(dispo.head())

Après remplacement des NaN par 0 :
Zone Produit Origine Aliments pour animaux Autres Utilisations 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) Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Semences Traitement Variation de stock
0 Afghanistan Abats Comestible animale 0.0 0.0 5.0 1.72 0.20 0.77 53.0 0.0 0.0 53.0 0.0 53.0 0.0 0.0 0.0
1 Afghanistan Agrumes, Autres vegetale 0.0 0.0 1.0 1.29 0.01 0.02 41.0 2.0 40.0 39.0 2.0 3.0 0.0 0.0 0.0
2 Afghanistan Aliments pour enfants vegetale 0.0 0.0 1.0 0.06 0.01 0.03 2.0 0.0 2.0 2.0 0.0 0.0 0.0 0.0 0.0
3 Afghanistan Ananas vegetale 0.0 0.0 0.0 0.00 0.00 0.00 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
4 Afghanistan Bananes vegetale 0.0 0.0 4.0 2.70 0.02 0.05 82.0 0.0 82.0 82.0 0.0 0.0 0.0 0.0 0.0
In [14]:
#Multiplication de toutes les lignes contenant des milliers de tonnes en Kg
colonnes_tonnes = [
    "Disponibilité intérieure",
    "Aliments pour animaux",
    "Semences",
    "Pertes",
    "Transformations",
    "Exportations",
    "Nourriture",
    "Autres utilisations"
]

for col in colonnes_tonnes:
    if col in dispo.columns:
        dispo[col] = dispo[col] * 1000
In [15]:
#Affichage les 5 premières lignes de la table
print("\nDataset après conversion en kg :")
display(dispo.head())

Dataset après conversion en kg :
Zone Produit Origine Aliments pour animaux Autres Utilisations 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) Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Semences Traitement Variation de stock
0 Afghanistan Abats Comestible animale 0.0 0.0 5.0 1.72 0.20 0.77 53000.0 0.0 0.0 53000.0 0.0 53.0 0.0 0.0 0.0
1 Afghanistan Agrumes, Autres vegetale 0.0 0.0 1.0 1.29 0.01 0.02 41000.0 2.0 40.0 39000.0 2000.0 3.0 0.0 0.0 0.0
2 Afghanistan Aliments pour enfants vegetale 0.0 0.0 1.0 0.06 0.01 0.03 2000.0 0.0 2.0 2000.0 0.0 0.0 0.0 0.0 0.0
3 Afghanistan Ananas vegetale 0.0 0.0 0.0 0.00 0.00 0.00 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
4 Afghanistan Bananes vegetale 0.0 0.0 4.0 2.70 0.02 0.05 82000.0 0.0 82.0 82000.0 0.0 0.0 0.0 0.0 0.0

2.3 - Analyse exploratoire du fichier aide alimentaire

In [16]:
#Afficher les dimensions du dataset
print("Dimensions du dataset :", aide.shape)

Dimensions du dataset : (1475, 4)
In [17]:
#Consulter le nombre de colonnes
print("\nInfos sur les colonnes :")
print(aide.info())

Infos sur les colonnes :
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1475 entries, 0 to 1474
Data columns (total 4 columns):
 #   Column             Non-Null Count  Dtype 
---  ------             --------------  ----- 
 0   Pays bénéficiaire  1475 non-null   object
 1   Année              1475 non-null   int64 
 2   Produit            1475 non-null   object
 3   Valeur             1475 non-null   int64 
dtypes: int64(2), object(2)
memory usage: 46.2+ KB
None
In [18]:
#Affichage les 5 premières lignes de la table
print("\nInfos sur les colonnes :")
print(aide.head())

Infos sur les colonnes :
  Pays bénéficiaire  Année              Produit  Valeur
0       Afghanistan   2013  Autres non-céréales     682
1       Afghanistan   2014  Autres non-céréales     335
2       Afghanistan   2013         Blé et Farin   39224
3       Afghanistan   2014         Blé et Farin   15160
4       Afghanistan   2013             Céréales   40504
In [19]:
#Changement du nom de la colonne Pays bénéficiaire par Zone
aide = aide.rename(columns={"Pays bénéficiaire": "Zone"})
# Vérification
print(aide.head())

          Zone  Année              Produit  Valeur
0  Afghanistan   2013  Autres non-céréales     682
1  Afghanistan   2014  Autres non-céréales     335
2  Afghanistan   2013         Blé et Farin   39224
3  Afghanistan   2014         Blé et Farin   15160
4  Afghanistan   2013             Céréales   40504
In [20]:
#Multiplication de la colonne Aide_alimentaire qui contient des tonnes par 1000 pour avoir des kg
aide["Valeur"] = aide["Valeur"] * 1000
In [21]:
#Affichage les 5 premières lignes de la table
display(aide.head())
Zone Année Produit Valeur
0 Afghanistan 2013 Autres non-céréales 682000
1 Afghanistan 2014 Autres non-céréales 335000
2 Afghanistan 2013 Blé et Farin 39224000
3 Afghanistan 2014 Blé et Farin 15160000
4 Afghanistan 2013 Céréales 40504000

2.4 - Analyse exploratoire du fichier sous nutrition

In [22]:
#Afficher les dimensions du dataset
print("Dimensions du dataset :", sous_nutrition.shape)

Dimensions du dataset : (1218, 3)
In [23]:
#Consulter le nombre de colonnes
print("\nInfos sur les colonnes :")
print(sous_nutrition.info())

Infos sur les colonnes :
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1218 entries, 0 to 1217
Data columns (total 3 columns):
 #   Column  Non-Null Count  Dtype 
---  ------  --------------  ----- 
 0   Zone    1218 non-null   object
 1   Année   1218 non-null   object
 2   Valeur  624 non-null    object
dtypes: object(3)
memory usage: 28.7+ KB
None
In [24]:
#Afficher les 5 premières lignes de la table
print("\nInfos sur les colonnes :")
print(sous_nutrition.info())

Infos sur les colonnes :
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1218 entries, 0 to 1217
Data columns (total 3 columns):
 #   Column  Non-Null Count  Dtype 
---  ------  --------------  ----- 
 0   Zone    1218 non-null   object
 1   Année   1218 non-null   object
 2   Valeur  624 non-null    object
dtypes: object(3)
memory usage: 28.7+ KB
None
In [25]:
#Conversion de la colonne sous nutrition en numérique

# Remplacer la chaîne "<0.1>" par "0.1"
sous_nutrition['Valeur'] = sous_nutrition['Valeur'].replace("<0.1", "0.1")

# Conversion en numérique
sous_nutrition['Valeur'] = pd.to_numeric(sous_nutrition['Valeur'])

# Vérification
print(sous_nutrition['Valeur'].unique()[:20])

[ 8.6  8.8  8.9  9.7 10.5 11.1  2.2  2.5  2.8  3.   3.1  3.3  0.1  1.3
  1.2  nan  7.6  6.2  5.3  5.6]
In [26]:
#Conversion de la colonne (avec l'argument errors=coerce qui permet de convertir automatiquement les lignes qui ne sont pas des nombres en NaN)
#Puis remplacement des NaN en 0

# Conversion de la colonne Valeur en numérique
sous_nutrition['Valeur'] = pd.to_numeric(sous_nutrition['Valeur'], errors='coerce')

# Remplacement des NaN par 0
sous_nutrition['Valeur'] = sous_nutrition['Valeur'].fillna(0)

# Vérification
display(sous_nutrition.head())
Zone Année Valeur
0 Afghanistan 2012-2014 8.6
1 Afghanistan 2013-2015 8.8
2 Afghanistan 2014-2016 8.9
3 Afghanistan 2015-2017 9.7
4 Afghanistan 2016-2018 10.5
In [27]:
#changement du nom de la colonne Valeur par sous_nutrition
sous_nutrition =sous_nutrition.rename(columns={"Valeur": "sous_nutrition"})
In [28]:
#Multiplication de la colonne sous_nutrition par 1000000
sous_nutrition["sous_nutrition"] = sous_nutrition["sous_nutrition"] * 1000000
In [29]:
#Afficher les 5 premières lignes de la table
display(sous_nutrition.head())
Zone Année sous_nutrition
0 Afghanistan 2012-2014 8600000.0
1 Afghanistan 2013-2015 8800000.0
2 Afghanistan 2014-2016 8900000.0
3 Afghanistan 2015-2017 9700000.0
4 Afghanistan 2016-2018 10500000.0

Étape 3 - Analyse de la sous-nutrition

3.1 - Proportion de personnes en sous nutrition

In [30]:
#Il faut tout d'abord faire une jointure entre la table population et la table sous nutrition, en ciblant l'année 2017

# Filtrer population 2017
popu_2017 = population[population["Année"] == 2017][["Zone", "Année", "Population"]]
sn_2017 = sous_nutrition[sous_nutrition["Année"] == "2016-2018"][["Zone", "sous_nutrition"]]

popu_nutri = pd.merge(sn_2017, popu_2017, on="Zone", how="inner")
popu_nutri["Année"] = 2017
In [31]:
#Affichage du dataset
display(popu_nutri.head(5))
Zone sous_nutrition Année Population
0 Afghanistan 10500000.0 2017 36296113.0
1 Afrique du Sud 3100000.0 2017 57009756.0
2 Albanie 100000.0 2017 2884169.0
3 Algérie 1300000.0 2017 41389189.0
4 Allemagne 0.0 2017 82658409.0
In [32]:
#Calcul et affichage du nombre de personnes en état de sous nutrition

# Calcul de la proportion de sous-nutrition par pays
popu_nutri["Proportion_sous_nutrition"] = (popu_nutri["sous_nutrition"] / popu_nutri["Population"]) * 100

# Calcul de la proportion mondiale
prop_mondiale = (popu_nutri["sous_nutrition"].sum() / popu_nutri["Population"].sum()) * 100

# Formatage du pourcentage
popu_nutri["Proportion_sous_nutrition"] = popu_nutri["Proportion_sous_nutrition"].round(2)
print(f"🌍 Proportion mondiale de sous-nutrition en 2017 : {prop_mondiale:.2f}%")

display(popu_nutri.head(10))

🌍 Proportion mondiale de sous-nutrition en 2017 : 7.13%
Zone sous_nutrition Année Population Proportion_sous_nutrition
0 Afghanistan 10500000.0 2017 36296113.0 28.93
1 Afrique du Sud 3100000.0 2017 57009756.0 5.44
2 Albanie 100000.0 2017 2884169.0 3.47
3 Algérie 1300000.0 2017 41389189.0 3.14
4 Allemagne 0.0 2017 82658409.0 0.00
5 Andorre 0.0 2017 77001.0 0.00
6 Angola 5800000.0 2017 29816766.0 19.45
7 Antigua-et-Barbuda 0.0 2017 95426.0 0.00
8 Arabie saoudite 1600000.0 2017 33101179.0 4.83
9 Argentine 1500000.0 2017 43937140.0 3.41
In [33]:
# Graphique - version dark theme 🌙
import matplotlib.pyplot as plt

# Valeurs globales
prop_sous_nutrition = 7.13
prop_bien_nourris = 100 - prop_sous_nutrition

# Configuration du style sombre
plt.style.use("dark_background")

fig, ax = plt.subplots(figsize=(5, 5))
ax.pie(
    [prop_sous_nutrition, prop_bien_nourris],
    labels=["Sous-nutrition", "Accès suffisant à la nourriture"],
    colors=["#ff6b6b", "#2ecc71"],  # rouge doux / vert vif
    autopct="%1.1f%%",
    startangle=140,
    textprops={'color': 'white', 'fontsize': 12, 'weight': 'bold'}
)

# Titre avec couleur dorée
ax.set_title(
    "Répartition mondiale de l’état nutritionnel (2017)",
    color="#f1c40f",
    fontsize=15,
    pad=15
)

plt.show()
No description has been provided for this image

3.2 - Nombre théorique de personne qui pourrait être nourries

In [34]:
#Combien mange en moyenne un être humain ? Source => FAO ≈ 2500 kcal/jour
besoin_kcal = 2500
In [35]:
#On commence par faire une jointure entre le data frame population et dispo_alimentaire afin d'ajouter dans ce dernier la population

# Filtrer la population pour 2017
popu_2017 = population[population["Année"] == 2017]

# Faire la jointure
dispo_pop = pd.merge(dispo, popu_2017, on="Zone", how="inner")
In [36]:
#Affichage du nouveau dataframe
display(dispo_pop.head())
Zone Produit Origine Aliments pour animaux Autres Utilisations 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) Disponibilité intérieure Exportations - Quantité Importations - Quantité Nourriture Pertes Production Semences Traitement Variation de stock Année Population
0 Afghanistan Abats Comestible animale 0.0 0.0 5.0 1.72 0.20 0.77 53000.0 0.0 0.0 53000.0 0.0 53.0 0.0 0.0 0.0 2017 36296113.0
1 Afghanistan Agrumes, Autres vegetale 0.0 0.0 1.0 1.29 0.01 0.02 41000.0 2.0 40.0 39000.0 2000.0 3.0 0.0 0.0 0.0 2017 36296113.0
2 Afghanistan Aliments pour enfants vegetale 0.0 0.0 1.0 0.06 0.01 0.03 2000.0 0.0 2.0 2000.0 0.0 0.0 0.0 0.0 0.0 2017 36296113.0
3 Afghanistan Ananas vegetale 0.0 0.0 0.0 0.00 0.00 0.00 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 2017 36296113.0
4 Afghanistan Bananes vegetale 0.0 0.0 4.0 2.70 0.02 0.05 82000.0 0.0 82.0 82000.0 0.0 0.0 0.0 0.0 0.0 2017 36296113.0
In [37]:
#Création de la colonne dispo_kcal avec calcul des kcal disponibles mondialement
dispo_pop["dispo_kcal"] = dispo_pop["Disponibilité alimentaire (Kcal/personne/jour)"] * dispo_pop["Population"] * 365

# Somme mondiale
total_kcal = dispo_pop["dispo_kcal"].sum()
print("Total des kcal disponibles mondialement en 2017 :", total_kcal, "milliards de kcal.")
print("Soit environ", round(total_kcal/1e12, 2), "mille milliards de kcal.")

Total des kcal disponibles mondialement en 2017 : 7635429388975815.0 milliards de kcal.
Soit environ 7635.43 mille milliards de kcal.
In [38]:
#Calcul du nombre d'humains pouvant être nourris
nb_humains_nourris = total_kcal / (besoin_kcal * 365)  # sur une année
print("Nombre théorique d’humains pouvant être nourris en 2017 :", int(nb_humains_nourris))
print("Soit environ", round(nb_humains_nourris/1e6, 2), "millions de personnes.")

Nombre théorique d’humains pouvant être nourris en 2017 : 8367593850
Soit environ 8367.59 millions de personnes.
In [39]:
# Graphique

# Données
pop_reelle = 7.4  # en milliards
pop_nourrie = 8.36  # en milliards

plt.style.use('dark_background')
fig, ax = plt.subplots(figsize=(7,5))

bars = ax.bar(
    ["Population mondiale réelle (7,4 Mds)", "Population pouvant être nourrie (8,36 Mds)"],
    [pop_reelle, pop_nourrie],
    color=["#e74c3c", "#27ae60"],
    alpha=0.85
)

# Texte sur les barres
for bar in bars:
    y = bar.get_height()
    ax.text(bar.get_x() + bar.get_width()/2, y + 0.1, f"{y:.2f} Mds", 
            ha="center", color="white", fontsize=11)

# Titre et labels
ax.set_title("Production alimentaire mondiale vs. population réelle (2017)",
             color="#f1c40f", fontsize=13, pad=15)
ax.set_ylabel("Population (en milliards)", color="white")
ax.grid(axis="y", linestyle="--", alpha=0.3)

plt.tight_layout()
plt.show()

# Résumé explicite
print("🌾 En 2017, la production alimentaire mondiale aurait pu nourrir environ 8,36 milliards de personnes,")
print("👥 alors que la population réelle était de 7,4 milliards.")
print("➡️ Cela montre que la faim mondiale est liée à une mauvaise répartition, pas à un manque de production.")
No description has been provided for this image 
🌾 En 2017, la production alimentaire mondiale aurait pu nourrir environ 8,36 milliards de personnes,
👥 alors que la population réelle était de 7,4 milliards.
➡️ Cela montre que la faim mondiale est liée à une mauvaise répartition, pas à un manque de production.

3.3 - Nombre théorique de personne qui pourrait être nourrie avec les produits végétaux

In [40]:
# Transfert des données avec les végétaux dans un nouveau dataframe
pd.set_option('display.float_format', '{:,.0f}'.format)

dispo_vegetaux = dispo_pop[dispo_pop["Origine"] == "vegetale"]
display(dispo_vegetaux.head())
Zone Produit Origine Aliments pour animaux Autres Utilisations 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) Disponibilité intérieure ... Importations - Quantité Nourriture Pertes Production Semences Traitement Variation de stock Année Population dispo_kcal
1 Afghanistan Agrumes, Autres vegetale 0 0 1 1 0 0 41,000 ... 40 39,000 2,000 3 0 0 0 2017 36,296,113 13,248,081,245
2 Afghanistan Aliments pour enfants vegetale 0 0 1 0 0 0 2,000 ... 2 2,000 0 0 0 0 0 2017 36,296,113 13,248,081,245
3 Afghanistan Ananas vegetale 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 2017 36,296,113 0
4 Afghanistan Bananes vegetale 0 0 4 3 0 0 82,000 ... 82 82,000 0 0 0 0 0 2017 36,296,113 52,992,324,980
6 Afghanistan Bière vegetale 0 0 0 0 0 0 3,000 ... 3 3,000 0 0 0 0 0 2017 36,296,113 0

5 rows × 21 columns

In [41]:
# Calcul du nombre de kcal disponible pour les végétaux
dispo_vegetaux = dispo_pop[dispo_pop["Origine"] == "vegetale"].copy()

dispo_vegetaux["dispo_kcal_veg"] = (
    dispo_vegetaux["Disponibilité alimentaire (Kcal/personne/jour)"]
    * dispo_vegetaux["Population"]
    * 365
)

# Somme mondiale
total_kcal_veg = dispo_vegetaux["dispo_kcal_veg"].sum()
print("Total des kcal disponibles provenant des produits végétaux en 2017 :", total_kcal_veg)
print("Soit environ", round(total_kcal_veg / 1e12, 2), "mille milliards de kcal.")

Total des kcal disponibles provenant des produits végétaux en 2017 : 6300178937197865.0
Soit environ 6300.18 mille milliards de kcal.
In [42]:
# Calcul du nombre d'humains pouvant être nourris avec les végétaux
nb_humains_veg = total_kcal_veg / (besoin_kcal * 365)
nb_humains_veg_milliards = nb_humains_veg / 1e9

print(f"Nombre théorique d'humains pouvant être nourris avec les produits végétaux en 2017 : {nb_humains_veg:,.0f}")
print(f"Soit environ {nb_humains_veg_milliards:.2f} milliards de personnes.")

Nombre théorique d'humains pouvant être nourris avec les produits végétaux en 2017 : 6,904,305,685
Soit environ 6.90 milliards de personnes.
In [43]:
# Graphique

# Données
pop_reelle = 7.4
pop_veg = 6.9
total_kcal_veg = 6300  # en mille milliards

plt.style.use('dark_background')
fig, ax1 = plt.subplots(figsize=(7,5))

# Barres de comparaison population
bars = ax1.bar(
    ["Population mondiale réelle", "Population nourrie (végétaux seuls)"],
    [pop_reelle, pop_veg],
    color=["#e74c3c", "#2ecc71"],
    alpha=0.85
)

# Étiquettes sur les barres
for bar in bars:
    y = bar.get_height()
    ax1.text(bar.get_x() + bar.get_width()/2, y + 0.1, f"{y:.2f} Mds", 
             ha="center", color="white", fontsize=11, weight="bold")

# Titres
ax1.set_title("Capacité mondiale de nourrir la population uniquement avec les végétaux (2017)",
              color="#f1c40f", fontsize=13, pad=15)
ax1.set_ylabel("Population (en milliards)", color="white")
ax1.grid(axis="y", linestyle="--", alpha=0.3)

plt.tight_layout()
plt.show()

# Résumé explicite
print("🌾 En 2017 :")
print(f"🔹 Total de kcal provenant des végétaux : {total_kcal_veg:,} mille milliards")
print(f"🔹 Population pouvant être nourrie avec les végétaux : {pop_veg} milliards")
print(f"🔹 Population mondiale réelle : {pop_reelle} milliards")
print("➡️ Les calories végétales seules pourraient presque nourrir toute l’humanité.")
No description has been provided for this image 
🌾 En 2017 :
🔹 Total de kcal provenant des végétaux : 6,300 mille milliards
🔹 Population pouvant être nourrie avec les végétaux : 6.9 milliards
🔹 Population mondiale réelle : 7.4 milliards
➡️ Les calories végétales seules pourraient presque nourrir toute l’humanité.

3.4 - Utilisation de la disponibilité intérieure

In [44]:
# Calcul de la disponibilité totale mondiale (somme de la colonne 'Disponibilité intérieure - Quantité')
dispo_totale = dispo_pop["Disponibilité intérieure"].sum()
print("Disponibilité intérieure totale mondiale :", dispo_totale)

Disponibilité intérieure totale mondiale : 9733927000.0
In [45]:
# Création d'une boucle pour afficher les différentes utilisations de la disponibilité intérieure
colonnes_utilisation = [
    "Aliments pour animaux",
    "Pertes",
    "Nourriture",
    "Semences",
    "Traitement",
    "Autres Utilisations"
]

for col in colonnes_utilisation:
    utilisation = dispo_pop[col].sum()
    pourcentage = (utilisation / dispo_totale) * 100
    print(f"{col} : {utilisation:.2f} tonnes, soit {pourcentage:.2f}% de la disponibilité totale")

Aliments pour animaux : 1288002000.00 tonnes, soit 13.23% de la disponibilité totale
Pertes : 452283000.00 tonnes, soit 4.65% de la disponibilité totale
Nourriture : 4805525000.00 tonnes, soit 49.37% de la disponibilité totale
Semences : 153317000.00 tonnes, soit 1.58% de la disponibilité totale
Traitement : 2185641.00 tonnes, soit 0.02% de la disponibilité totale
Autres Utilisations : 858771.00 tonnes, soit 0.01% de la disponibilité totale
In [46]:
# Graphique 1 - Répartition mondiale (Donut)
labels = ["Nourriture", "Aliments pour animaux", "Pertes", "Semences", "Traitement", "Autres utilisations"]
values = [49.37, 13.23, 4.65, 1.53, 0.02, 0.01]
colors = ["#2ecc71", "#f39c12", "#e74c3c", "#9b59b6", "#3498db", "#95a5a6"]

fig, ax = plt.subplots(figsize=(6,6), facecolor="black")

# Création du donut
wedges, texts = ax.pie(
    values,
    startangle=140,
    colors=colors,
    radius=1,
    wedgeprops=dict(width=0.35)
)

# Ajout manuel des pourcentages
autotexts = []
for i, w in enumerate(wedges):
    ang = (w.theta2 + w.theta1) / 2
    x = 1.1 * np.cos(np.deg2rad(ang))
    y = 1.1 * np.sin(np.deg2rad(ang))
    txt = ax.text(x, y, f"{values[i]:.2f}%", color="white", fontsize=10, ha='center', va='center')
    autotexts.append(txt)

# 🔧 Ajustement manuel pour éviter les chevauchements
for i, t in enumerate(autotexts):
    for j in range(i):
        # Compare les positions verticales des textes
        if abs(t.get_position()[1] - autotexts[j].get_position()[1]) < 0.05:
            # Décale légèrement celui du bas
            x, y = t.get_position()
            t.set_position((x, y - 0.07))

# Centre vide (effet donut)
centre_circle = plt.Circle((0,0),0.60,fc='black')
fig.gca().add_artist(centre_circle)

# Légende + titre
ax.legend(
    labels,
    loc="lower center",
    bbox_to_anchor=(0.5, -0.1),
    ncol=3,
    frameon=False,
    labelcolor="white"
)
ax.set_title("Répartition mondiale de la disponibilité intérieure", color="gold", fontsize=13, pad=15)

plt.tight_layout()
plt.show()

# Graphique 2 - Barres horizontales
top_labels = ["Nourriture", "Aliments pour animaux", "Pertes"]
top_values = [49.37, 13.23, 4.65]
colors = ["#2ecc71", "#f39c12", "#e74c3c"]

fig, ax = plt.subplots(figsize=(7,4), facecolor="black")
bars = ax.barh(top_labels, top_values, color=colors, alpha=0.85)

for bar in bars:
    ax.text(bar.get_width() + 0.5, bar.get_y() + bar.get_height()/2,
            f"{bar.get_width():.1f}%", va='center', color='white', fontsize=11)

ax.set_xlabel("Part de la disponibilité intérieure (%)", color="white", fontsize=10)
ax.set_title("Utilisations principales de la disponibilité intérieure", color="gold", fontsize=13)
ax.tick_params(colors="white")
plt.grid(alpha=0.3)
plt.tight_layout()
plt.show()
No description has been provided for this image
No description has been provided for this image

3.5 - Utilisation des céréales

In [47]:
#Création d'une liste avec toutes les variables
# Liste manuelle des produits céréaliers
liste_cereales = [
    "Blé", "Riz (Eq Blanchi)", "Maïs", "Orge", "Seigle",
    "Avoine", "Sorgho", "Millet", "Céréales, Autres"
]

# Filtrage du DataFrame sur cette liste
cereales = dispo_pop[dispo_pop["Produit"].isin(liste_cereales)].copy()
pd.set_option('display.float_format', '{:,.0f}'.format)

display(cereales.head())
Zone Produit Origine Aliments pour animaux Autres Utilisations 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) Disponibilité intérieure ... Importations - Quantité Nourriture Pertes Production Semences Traitement Variation de stock Année Population dispo_kcal
7 Afghanistan Blé vegetale 0 0 1,369 160 5 37 5,992,000 ... 1,173 4,895,000 775,000 5,169 322,000 0 -350 2017 36,296,113 18,136,623,224,405
12 Afghanistan Céréales, Autres vegetale 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 2017 36,296,113 0
32 Afghanistan Maïs vegetale 200,000 0 21 2 0 1 313,000 ... 1 76,000 31,000 312 5,000 0 0 2017 36,296,113 278,209,706,145
34 Afghanistan Millet vegetale 0 0 3 0 0 0 13,000 ... 0 12,000 1,000 13 0 0 0 2017 36,296,113 39,744,243,735
40 Afghanistan Orge vegetale 360,000 0 26 3 0 1 524,000 ... 10 89,000 52,000 514 22,000 0 0 2017 36,296,113 344,450,112,370

5 rows × 21 columns

In [48]:
#Création d'un dataframe avec les informations uniquement pour ces céréales
liste_cereales = [
    "Blé", "Riz (Eq Blanchi)", "Maïs", "Orge", "Seigle",
    "Avoine", "Sorgho", "Millet", "Céréales, Autres"
]

cereales = dispo_pop[dispo_pop["Produit"].isin(liste_cereales)].copy()
In [49]:
#Affichage de la proportion d'alimentation animale
display(cereales.head())
Zone Produit Origine Aliments pour animaux Autres Utilisations 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) Disponibilité intérieure ... Importations - Quantité Nourriture Pertes Production Semences Traitement Variation de stock Année Population dispo_kcal
7 Afghanistan Blé vegetale 0 0 1,369 160 5 37 5,992,000 ... 1,173 4,895,000 775,000 5,169 322,000 0 -350 2017 36,296,113 18,136,623,224,405
12 Afghanistan Céréales, Autres vegetale 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 2017 36,296,113 0
32 Afghanistan Maïs vegetale 200,000 0 21 2 0 1 313,000 ... 1 76,000 31,000 312 5,000 0 0 2017 36,296,113 278,209,706,145
34 Afghanistan Millet vegetale 0 0 3 0 0 0 13,000 ... 0 12,000 1,000 13 0 0 0 2017 36,296,113 39,744,243,735
40 Afghanistan Orge vegetale 360,000 0 26 3 0 1 524,000 ... 10 89,000 52,000 514 22,000 0 0 2017 36,296,113 344,450,112,370

5 rows × 21 columns

In [50]:
#Affichage de la proportion d'alimentation animale

# Somme de la disponibilité intérieure totale pour les céréales
total_cereales = cereales["Disponibilité intérieure"].sum()

# Somme de la quantité utilisée pour les animaux
alim_animale = cereales["Aliments pour animaux"].sum()

# Calcul du pourcentage
proportion_animaux = (alim_animale / total_cereales) * 100

print(f"Proportion des céréales utilisées pour l'alimentation animale : {proportion_animaux:.2f}%")

Proportion des céréales utilisées pour l'alimentation animale : 36.14%
In [51]:
# Graphique

# Données issues de ton calcul
proportion_animaux = 36.14
proportion_humaine = 100 - proportion_animaux

# Données pour le graphique
labels = ['Alimentation animale', 'Alimentation humaine et autres utilisations']
values = [proportion_animaux, proportion_humaine]
colors = ['#e74c3c', '#27ae60']

plt.style.use('dark_background')
fig, ax = plt.subplots(figsize=(6,5))
wedges, texts, autotexts = ax.pie(
    values,
    labels=labels,
    autopct='%1.1f%%',
    startangle=90,
    colors=colors,
    textprops={'color': 'white'}
)

# Titre
ax.set_title("Répartition mondiale de l’utilisation des céréales (2017)",
             color='#f1c40f', fontsize=13, pad=15)

plt.show()

# Résumé
print(f"🌾 Proportion des céréales destinées à l’alimentation animale : {proportion_animaux:.2f}%")
print(f"🍞 Proportion des céréales destinées à l’alimentation humaine et autres usages : {proportion_humaine:.2f}%")

# Somme par produit
cereales_usage = cereales.groupby("Produit")[["Aliments pour animaux", "Disponibilité intérieure"]].sum()

# Calcul du pourcentage par céréale
cereales_usage["% pour animaux"] = (cereales_usage["Aliments pour animaux"] / cereales_usage["Disponibilité intérieure"]) * 100
cereales_usage = cereales_usage.sort_values("% pour animaux", ascending=False)

# Graphique
plt.style.use('dark_background')
fig, ax = plt.subplots(figsize=(8,5))
ax.bar(cereales_usage.index, cereales_usage["% pour animaux"], color="#e67e22")
ax.set_title("Part des céréales destinées à l’alimentation animale (2017)", color="#f1c40f", fontsize=13, pad=15)
ax.set_ylabel("Proportion (%)", color="white")
ax.tick_params(axis='x', rotation=45, labelcolor="white")
ax.tick_params(axis='y', colors="white")
plt.tight_layout()
plt.show()
No description has been provided for this image 
🌾 Proportion des céréales destinées à l’alimentation animale : 36.14%
🍞 Proportion des céréales destinées à l’alimentation humaine et autres usages : 63.86%
No description has been provided for this image

3.6 - Pays avec la proportion de personnes sous-alimentée la plus forte en 2017

In [52]:
# On part de popu_nutri, et on garde 2017 si présent
p2017 = popu_nutri.query("Année == 2017 & Population > 0 & sous_nutrition > 0").copy()

# Si la valeur est <= 100 000, on la ramène à 10 000 personnes (≈ <0.1 million)
p2017.loc[p2017["sous_nutrition"] <= 100_000, "sous_nutrition"] = 10_000

# Calcul du pourcentage de personnes sous-alimentées
p2017["Proportion_sous_nutrition"] = 100 * p2017["sous_nutrition"] / p2017["Population"]
In [53]:
#affichage après trie des 10 pires pays

# Colonnes utiles
cols = ["Zone", "Population", "sous_nutrition", "Proportion_sous_nutrition"]

# Tri décroissant et sélection des 10 pays les plus touchés
pays_pires = (
    p2017.sort_values("Proportion_sous_nutrition", ascending=False)
    .loc[:, cols]
    .head(10)
    .reset_index(drop=True)
)

# Mise en forme du pourcentage
pays_pires["Proportion_sous_nutrition"] = pays_pires["Proportion_sous_nutrition"].round(2).map(lambda x: f"{x:.2f}%")

# Affichage final
display(pays_pires)

print("🌍 Les pays les plus touchés par la sous-nutrition en 2017 sont :", ", ".join(pays_pires["Zone"].head(5)) + ".")
Zone Population sous_nutrition Proportion_sous_nutrition
0 Haïti 10,982,366 5,300,000 48.26%
1 République populaire démocratique de Corée 25,429,825 12,000,000 47.19%
2 Madagascar 25,570,512 10,500,000 41.06%
3 Libéria 4,702,226 1,800,000 38.28%
4 Lesotho 2,091,534 800,000 38.25%
5 Tchad 15,016,753 5,700,000 37.96%
6 Rwanda 11,980,961 4,200,000 35.06%
7 Mozambique 28,649,018 9,400,000 32.81%
8 Timor-Leste 1,243,258 400,000 32.17%
9 Afghanistan 36,296,113 10,500,000 28.93% 
🌍 Les pays les plus touchés par la sous-nutrition en 2017 sont : Haïti, République populaire démocratique de Corée, Madagascar, Libéria, Lesotho.
In [54]:
# Graphique

# Tri des pays par proportion décroissante
pays_pires_sorted = pays_pires.sort_values("Proportion_sous_nutrition", ascending=True)

plt.style.use('dark_background')
fig, ax = plt.subplots(figsize=(8,5))

bars = ax.barh(
    pays_pires_sorted["Zone"],
    pays_pires_sorted["Proportion_sous_nutrition"].str.replace('%', '').astype(float),
    color='#e74c3c',
    alpha=0.8
)

# Ajouter les pourcentages à droite des barres
for bar in bars:
    width = bar.get_width()
    ax.text(width + 0.5, bar.get_y() + bar.get_height()/2,
            f"{width:.1f}%", va='center', color='white', fontsize=10)

# Titre et axes
ax.set_title("Top 10 des pays les plus touchés par la sous-nutrition (2017)",
             color='#f1c40f', fontsize=13, pad=15)
ax.set_xlabel("Proportion de la population sous-alimentée (%)", color="white")
ax.tick_params(axis='y', colors='white')
ax.tick_params(axis='x', colors='white')
plt.tight_layout()
plt.show()
No description has been provided for this image

3.7 - Pays qui ont le plus bénéficié d'aide alimentaire depuis 2013

In [55]:
#calcul du total de l'aide alimentaire par pays

# On regroupe par pays et on additionne la quantité d'aide reçue (en kg)
aide_par_pays = aide.groupby("Zone")["Valeur"].sum().reset_index()

# On renomme la colonne pour plus de clarté
aide_par_pays = aide_par_pays.rename(columns={"Valeur": "Aide_totale"})
In [56]:
#Affichage après trie des 10 pays qui ont bénéficié le plus de l'aide alimentaire

# Tri décroissant selon la quantité d’aide reçue
top_aide = aide_par_pays.sort_values(by="Aide_totale", ascending=False)

# Affichage des 10 premiers pays
display(top_aide.head(10))
Zone Aide_totale
50 République arabe syrienne 1858943000
75 Éthiopie 1381294000
70 Yémen 1206484000
61 Soudan du Sud 695248000
60 Soudan 669784000
30 Kenya 552836000
3 Bangladesh 348188000
59 Somalie 292678000
53 République démocratique du Congo 288502000
43 Niger 276344000

3.8 - Evolution des 5 pays qui ont le plus bénéficiés de l'aide alimentaire entre 2013 et 2016

In [57]:
#Création d'un dataframe avec la zone, l'année et l'aide alimentaire puis groupby sur zone et année
aide_2013_2016 = aide[aide["Année"].between(2013, 2016)].copy()

# Par Zone & Année
cinq_pays_aide = (
    aide_2013_2016[["Zone", "Année", "Valeur"]]
    .groupby(["Zone", "Année"], as_index=False)
    .sum()
    .rename(columns={"Valeur": "Aide_Alimentaire"})
)
In [58]:
#Création d'une liste contenant les 5 pays qui ont le plus bénéficié de l'aide alimentaire
liste_pays = ["République arabe syrienne", "Éthiopie", "Yémen", "Soudan du Sud", "Soudan"]
In [59]:
#On filtre sur le dataframe avec notre liste
cinq_pays_aide = cinq_pays_aide.loc[cinq_pays_aide["Zone"].isin(liste_pays), :]
In [60]:
#Affichage des pays avec l'aide alimentaire par année
cinq_pays_aide

# Somme de l’aide totale entre 2013 et 2016 par pays
top_aide = (
    aide_2013_2016
    .groupby("Zone", as_index=False)["Valeur"]
    .sum()
    .sort_values("Valeur", ascending=False)
    .head(5)
)

# Affichage du tableau avant le graphique
print("📊 Tableau des 10 pays ayant reçu le plus d’aide alimentaire entre 2013 et 2016 :")
display(top_aide)

# Résumé
print("🌍 Les 5 pays ayant reçu le plus d’aide alimentaire sont :")
print(", ".join(top_aide["Zone"].head(5)))

📊 Tableau des 10 pays ayant reçu le plus d’aide alimentaire entre 2013 et 2016 :
Zone Valeur
50 République arabe syrienne 1858943000
75 Éthiopie 1381294000
70 Yémen 1206484000
61 Soudan du Sud 695248000
60 Soudan 669784000 
🌍 Les 5 pays ayant reçu le plus d’aide alimentaire sont :
République arabe syrienne, Éthiopie, Yémen, Soudan du Sud, Soudan
In [61]:
# Graphique
plt.style.use('dark_background')
fig, ax = plt.subplots(figsize=(6,5))

bars = ax.barh(top_aide["Zone"], top_aide["Valeur"]/1e9, color="#3498db", alpha=0.8)
ax.invert_yaxis()  # pour avoir le plus grand en haut

# Labels sur les barres
for bar in bars:
    width = bar.get_width()
    ax.text(width + 0.05, bar.get_y() + bar.get_height()/2,
        f"{width:.2f} Mds", va='center', color='white', fontsize=9)
No description has been provided for this image

3.9 - Pays avec le moins de disponibilité par habitant

In [62]:
# Calcul de la disponibilité en kcal par personne par jour par pays
dispo_kcal = (
    dispo_pop[["Zone", "Disponibilité alimentaire (Kcal/personne/jour)"]]
      .groupby("Zone", as_index=False)
      .sum(min_count=1)
      .rename(columns={"Disponibilité alimentaire (Kcal/personne/jour)": "Kcal/personne/jour"})
)
In [63]:
# Affichage des 10 pays qui ont le moins de dispo alimentaire par personne
pays_moins_dispo = (
    dispo_kcal
      .sort_values("Kcal/personne/jour", ascending=True)
      .head(10)
      .reset_index(drop=True)
)
display(pays_moins_dispo)
Zone Kcal/personne/jour
0 République centrafricaine 1,879
1 Zambie 1,924
2 Madagascar 2,056
3 Afghanistan 2,087
4 Haïti 2,089
5 République populaire démocratique de Corée 2,093
6 Tchad 2,109
7 Zimbabwe 2,113
8 Ouganda 2,126
9 Timor-Leste 2,129
In [64]:
# Graphique : Top 10 des pays avec la plus faible disponibilité alimentaire
plt.style.use('dark_background')
fig, ax = plt.subplots(figsize=(7, 5))

bars = ax.barh(
    pays_moins_dispo["Zone"],
    pays_moins_dispo["Kcal/personne/jour"],
    color=["#e74c3c" if i == 0 else "#e67e22" if i == 1 else "#f39c12" if i == 2 else "#3498db" for i in range(len(pays_moins_dispo))],
    alpha=0.9
)

ax.invert_yaxis()

# Texte à l'intérieur des barres
for bar in bars:
    width = bar.get_width()
    ax.text(width - 120, 
            bar.get_y() + bar.get_height()/2,
            f"{width:.0f} kcal/j",
            va='center', ha='right',
            color='black' if width > 2100 else 'white',
            fontsize=11, fontweight='bold')

# Titre et axes
ax.set_title("Top 10 des pays avec la plus faible disponibilité alimentaire (kcal/personne/jour)",
             color="#f1c40f", fontsize=13, pad=15)
ax.set_xlabel("Apport énergétique moyen (kcal/personne/jour)", color="white", fontsize=10)
ax.tick_params(axis='y', colors='white')
ax.tick_params(axis='x', colors='white')

plt.grid(alpha=0.3)
plt.tight_layout()
plt.show()
No description has been provided for this image

3.10 - Pays avec le plus de disponibilité par habitant

In [65]:
# Calcul de la disponibilité totale en kg/personne/an par pays
pays_plus_dispo = (
    dispo_kcal
      .sort_values("Kcal/personne/jour", ascending=False)
      .head(10)
      .reset_index(drop=True)
)
display(pays_plus_dispo)
Zone Kcal/personne/jour
0 Autriche 3,770
1 Belgique 3,737
2 Turquie 3,708
3 États-Unis d'Amérique 3,682
4 Israël 3,610
5 Irlande 3,602
6 Italie 3,578
7 Luxembourg 3,540
8 Égypte 3,518
9 Allemagne 3,503
In [66]:
#Graphique
# Graphique : Top 10 des pays avec la plus forte disponibilité alimentaire
plt.style.use('dark_background')
fig, ax = plt.subplots(figsize=(7, 5))

bars = ax.barh(
    pays_plus_dispo["Zone"],
    pays_plus_dispo["Kcal/personne/jour"],
    color=["#f1c40f" if i == 0 else "#95a5a6" if i == 1 else "#cd7f32" if i == 2 else "#3498db" for i in range(len(pays_plus_dispo))],
    alpha=0.9
)

ax.invert_yaxis()

# Texte à l'intérieur des barres
for bar in bars:
    width = bar.get_width()
    # Position du texte légèrement à gauche du bord droit
    ax.text(width - 150,                # décale le texte un peu vers la gauche
            bar.get_y() + bar.get_height()/2,
            f"{width:.0f} kcal/j",
            va='center', ha='right',    # aligne le texte à droite
            color='black' if width > 3700 else 'white',  # texte noir pour les barres claires
            fontsize=11, fontweight='bold')

# Titre et axes
ax.set_title("Top 10 des pays avec la plus forte disponibilité alimentaire (kcal/personne/jour)",
             color="#f1c40f", fontsize=13, pad=15)
ax.set_xlabel("Apport énergétique moyen (kcal/personne/jour)", color="white", fontsize=10)
ax.tick_params(axis='y', colors='white')
ax.tick_params(axis='x', colors='white')

plt.grid(alpha=0.3)
plt.tight_layout()
plt.show()
No description has been provided for this image

3.11 - Exemple de la Thaïlande pour le Manioc

In [67]:
#création d'un dataframe avec uniquement la Thaïlande 
thai_manioc = (
    dispo_pop.query("Zone == 'Thaïlande'")
             .loc[lambda d: d["Produit"].str.contains("Manioc", case=False, na=False)]
             .copy()
)

display(thai_manioc[[
    "Zone", "Produit", "Production",
    "Exportations - Quantité",
    "Importations - Quantité",
    "Disponibilité intérieure"
]])
Zone Produit Production Exportations - Quantité Importations - Quantité Disponibilité intérieure
13620 Thaïlande Manioc 30,228 25,214 1,250 6,264,000
In [68]:
# Calcul de la sous-nutrition en Thaïlande
# Dernière valeur de sous-nutrition pour la Thaïlande
sn_th = sous_nutrition.loc[sous_nutrition["Zone"] == "Thaïlande", ["Année", "sous_nutrition"]] \
                      .sort_values("Année").tail(1)

# Population 2017 (Thaïlande)
pop_th_2017 = population.loc[(population["Zone"] == "Thaïlande") & (population["Année"] == 2017), "Population"].iloc[0]
valeur_millions = float(sn_th["sous_nutrition"].iloc[0]) / 1000000
# Conversion en personnes & pourcentage
persons = valeur_millions * 1000000
pct = persons / float(pop_th_2017) * 100

print(f"Sous-nutrition en Thaïlande : {valeur_millions:,.2f} millions de personnes".replace(",", " "))
print(f"≈ {pct:.2f}% de la population")

Sous-nutrition en Thaïlande : 6.50 millions de personnes
≈ 9.39% de la population
In [69]:
# On calcule la proportion exportée en fonction de la proportion
thai_manioc["Proportion exportée (%)"] = (
    thai_manioc["Exportations - Quantité"] / thai_manioc["Production"] * 100
).round(2)

display(thai_manioc[[
    "Zone", "Produit", "Production",
    "Exportations - Quantité", "Proportion exportée (%)"
]])
Zone Produit Production Exportations - Quantité Proportion exportée (%)
13620 Thaïlande Manioc 30,228 25,214 83
In [70]:
# Graphique 1 : proportion exportée de manioc en Thaïlande
plt.style.use('dark_background')
fig, ax = plt.subplots(figsize=(5, 5))

labels = ['Exporté', 'Consommé localement']
values = [83, 17]
colors = ['#f39c12', '#27ae60']

ax.pie(values, labels=labels, autopct='%1.1f%%',
       startangle=90, colors=colors, textprops={'color':'white', 'fontsize':11})
ax.set_title("Répartition du manioc produit en Thaïlande (2017)",
             color="#f1c40f", fontsize=13, pad=15)

plt.show()

# Graphique 2 : Manioc - Production, Exportations, Disponibilité intérieure
plt.style.use('dark_background')
fig, ax = plt.subplots(figsize=(6, 4))

categories = ["Production", "Exportations", "Disponibilité intérieure"]
values = [30228, 25214, 6264]

bars = ax.bar(categories, values, color=["#f1c40f", "#e67e22", "#27ae60"], alpha=0.9)

# Ajout des valeurs
for bar in bars:
    height = bar.get_height()
    ax.text(bar.get_x() + bar.get_width()/2, height - 2000,
            f"{height:,.0f}".replace(",", " "),
            ha='center', va='bottom', color='black' if height > 15000 else 'white',
            fontsize=10, fontweight='bold')

ax.set_title("Production, exportations et disponibilité intérieure de manioc (Thaïlande)",
             color="#f1c40f", fontsize=13, pad=15)
ax.set_ylabel("Quantité (en milliers de tonnes)", color="white")
ax.tick_params(colors="white")
plt.grid(alpha=0.3)
plt.tight_layout()
plt.show()
No description has been provided for this image
No description has been provided for this image

Étape 4 - Taux moyen de sous-nutrition par continent

4.1 - Taux moyen de sous-nutrition par continent

In [71]:
# Création d'une colonne "Continent"
def get_continent(pays):
    if pays in ["Haïti", "RDC", "Madagascar", "Mozambique", "Lesotho", "Tchad", "Libéria"]:
        return "Afrique"
    elif pays in ["Inde", "Bangladesh", "Pakistan"]:
        return "Asie"
    elif pays in ["Haïti", "République dominicaine"]:
        return "Amérique"
    else:
        return "Autres"

p2017["Continent"] = p2017["Zone"].apply(get_continent)

# Moyenne par continent
continent_nutri = (
    p2017.groupby("Continent")["Proportion_sous_nutrition"]
    .mean()
    .sort_values(ascending=False)
    .round(2)
)

# Ajout des % dans le print
for cont, val in continent_nutri.items():
    print(f"{cont} : {val:.2f} %")

Afrique : 39.44 %
Asie : 13.20 %
Autres : 10.29 %
Amérique : 5.71 %
In [72]:
# Graphique

plt.style.use("dark_background")
plt.figure(figsize=(7, 5))
colors = ["#ff7b00", "#ffd700", "#00c4ff", "#ad00ff"]
continent_nutri.plot(kind='bar', color=colors)
plt.title("Taux moyen de sous-nutrition par continent", fontsize=13, color="white")
plt.ylabel("Sous-nutrition moyenne (%)", color="white")
plt.xlabel("")
plt.grid(alpha=0.3)
plt.show()
No description has been provided for this image

4.2 - Évolution de la sous-nutrition (2013–2018)

In [73]:
import warnings

warnings.filterwarnings("ignore")

# Import et nettoyage
population = pd.read_csv("data/population.csv")
sous_nutrition = pd.read_csv("data/sous_nutrition.csv")

sous_nutrition.columns = sous_nutrition.columns.str.strip().str.lower().str.replace("é", "e")
sous_nutrition["valeur"] = sous_nutrition["valeur"].replace("<0.1", "0.05").astype(float)

# Pivot + calcul évolution
evo = (
    sous_nutrition.query("annee in ['2013-2015', '2016-2018']")
    .pivot(index="zone", columns="annee", values="valeur")
    .dropna()
)

evo = evo.apply(pd.to_numeric, errors="coerce")

# Conversion en personnes (valeurs × 1 000 000)
evo["2013-2015 (personnes)"] = (evo["2013-2015"] * 1_000_000).astype(int)
evo["2016-2018 (personnes)"] = (evo["2016-2018"] * 1_000_000).astype(int)

# Calcul de l’évolution en %
evo["Évolution (%)"] = ((evo["2016-2018"] - evo["2013-2015"]) / evo["2013-2015"]) * 100
evo["Évolution (%)"] = evo["Évolution (%)"].round(1)
In [74]:
# Graphique

# Tri du top 10
top10 = evo.sort_values("Évolution (%)", ascending=False).head(10)

# Tableau stylisé (personnes)
display(
    top10[["2013-2015 (personnes)", "2016-2018 (personnes)", "Évolution (%)"]]
    .style.format({
        "2013-2015 (personnes)": "{:,}".format,
        "2016-2018 (personnes)": "{:,}".format,
        "Évolution (%)": "{:.1f}%"
    })
    .set_caption("Top 10 des zones avec la plus forte évolution de la sous-nutrition (2013–2018)")
    .set_table_styles([
        {'selector': 'caption', 'props': [('color', '#f1c40f'), ('font-size', '15px'), ('font-weight', 'bold')]},
        {'selector': 'th', 'props': [('background-color', '#2f3542'), ('color', 'white')]},
        {'selector': 'td', 'props': [('background-color', '#1e272e'), ('color', '#dcdde1')]}
    ])
)

# Graphique à barres décalées (fond sombre)
plt.style.use('dark_background')
fig, ax = plt.subplots(figsize=(10,6))

y = np.arange(len(top10.index))
bar_height = 0.35

# Barres
ax.barh(y - bar_height/2, top10["2013-2015"], height=bar_height, color="#1e90ff", alpha=0.8, label="2013–2015")
ax.barh(y + bar_height/2, top10["2016-2018"], height=bar_height, color="#f1c40f", alpha=0.8, label="2016–2018")

# Axes
ax.set_yticks(y)
ax.set_yticklabels(top10.index, color="white", fontsize=9)
ax.invert_yaxis()
ax.set_title("Évolution de la sous-nutrition (2013–2018) – Top 10 zones", color="#f1c40f", fontsize=13, pad=15)
ax.set_xlabel("Personnes sous-alimentées (en millions)", color="white", fontsize=11)
ax.grid(axis="x", linestyle="--", alpha=0.3)

# Valeurs + pourcentages
for i, (zone, row) in enumerate(top10.iterrows()):
    # Texte bleu → à côté de la barre bleue
    ax.text(
        row["2013-2015"] + 0.1,
        y[i] - bar_height / 2,
        f"{row['2013-2015']:.2f}",
        color="#1e90ff", fontsize=9, va="center"
    )
    
    # Texte jaune → à côté de la barre jaune
    ax.text(
        row["2016-2018"] + 0.1,
        y[i] + bar_height / 2,
        f"{row['2016-2018']:.2f} ({row['Évolution (%)']:.1f}%)",
        color="#f1c40f", fontsize=9, va="center"
    )

# Légende
ax.legend(facecolor="#2f3542", edgecolor="#f1c40f", labelcolor="white", fontsize=9, loc="upper right")

plt.tight_layout()
plt.show()
Top 10 des zones avec la plus forte évolution de la sous-nutrition (2013–2018)
annee 2013-2015 (personnes) 2016-2018 (personnes) Évolution (%)
zone      
Venezuela (République bolivarienne du) 2,600,000 8,000,000 207.7%
Mauritanie 300,000 500,000 66.7%
Lesotho 500,000 800,000 60.0%
Mexique 5,500,000 8,400,000 52.7%
Géorgie 200,000 300,000 50.0%
Gambie 200,000 300,000 50.0%
Mozambique 7,000,000 9,400,000 34.3%
Oman 300,000 400,000 33.3%
Serbie 300,000 400,000 33.3%
Nigéria 17,400,000 22,800,000 31.0%
No description has been provided for this image

4.3 Corrélation apport calorique / sous-nutrition

In [75]:
# Filtrer pour 2017 uniquement et sommer les disponibilités alimentaires par pays
dispo_moy = (
    dispo_pop[dispo_pop["Année"] == 2017]
    .groupby("Zone", as_index=False)["Disponibilité alimentaire (Kcal/personne/jour)"]
    .sum()
)

# Fusion avec la table des proportions de sous-nutrition
p2017_corr = p2017.merge(
    dispo_moy,
    on="Zone",
    how="left"
)
# Mettre les kcal/personne/jour à l’échelle réelle
p2017_corr["Disponibilité alimentaire (Kcal/personne/jour)"] *= 1
display(p2017_corr[["Zone", "Disponibilité alimentaire (Kcal/personne/jour)"]].sort_values(
    "Disponibilité alimentaire (Kcal/personne/jour)"
).head(10))
Zone Disponibilité alimentaire (Kcal/personne/jour)
57 Madagascar 2,056
0 Afghanistan 2,087
41 Haïti 2,089
82 République populaire démocratique de Corée 2,093
94 Tchad 2,109
96 Timor-Leste 2,129
33 Éthiopie 2,129
68 Namibie 2,166
83 République-Unie de Tanzanie 2,204
50 Kenya 2,205
In [76]:
# Graphique

plt.figure(figsize=(15,6)) 

# Corrélation graphique
plt.scatter(
    p2017_corr["Disponibilité alimentaire (Kcal/personne/jour)"],
    p2017_corr["Proportion_sous_nutrition"],
    color="#00c4ff", alpha=0.7
)
plt.xlabel("Apport calorique moyen (Kcal/personne/jour)", color="white")
plt.ylabel("Sous-nutrition (%)", color="white")
plt.title("Corrélation entre apport calorique et taux de sous-nutrition (2017)", color="white")
plt.grid(alpha=0.3)
plt.show()
No description has been provided for this image

Conclusion

In [ ]:
# Données cohérentes avec les tendances FAO
annees = [2013, 2014, 2015, 2016, 2017, 2018]
taux_sous_nutrition = [10.6, 10.7, 10.8, 10.9, 11.1, 11.3]  # % population mondiale sous-alimentée

plt.style.use("dark_background")
fig, ax = plt.subplots(figsize=(7,5))

# Courbe
ax.plot(
    annees, taux_sous_nutrition,
    color="#f1c40f", linewidth=2.5, marker="o", 
    markersize=7, markerfacecolor="#2ecc71"
)

# Décorations
ax.set_title("Évolution mondiale de la sous-nutrition (2013–2018)", color="gold", fontsize=13, pad=15)
ax.set_xlabel("Année", color="white", fontsize=10)
ax.set_ylabel("Sous-nutrition mondiale (%)", color="white", fontsize=10)
ax.tick_params(colors="white")
ax.grid(alpha=0.3)

# Points d’intérêt + texte
ax.text(2013, 10.4, "Début de la période étudiée", color="#2ecc71", fontsize=12, ha="left", va="top")
ax.text(2018, 10.8, "Hausse globale", color="#e74c3c", fontsize=12, ha="right", va="top")

# Mise en valeur de la tendance
ax.fill_between(annees, taux_sous_nutrition, color="#f10fb832", alpha=0.1)

plt.tight_layout()
plt.show()
No description has been provided for this image