Imaginez que vous gérez une entreprise de vente de produits électroniques. Vous avez deux types de données : 1. Les informations sur les clients : Chaque client est représenté par son nom, son adresse e-mail, son âge et son pays. 2. Les données sur les achats : Chaque achat est associé à un client, et contient des informations sur le produit acheté, son prix et sa date d'achat. Votre tâche consiste à créer des classes Python pour représenter ces données, à les stocker dans des DataFrames Pandas, ensuite dans des fichiers csv, à les manipuler avec Pandas pour effectuer des jointures, à effectuer des opérations spécifiques à l'aide de NumPy, et à visualiser les résultats avec Matplotlib. Pour la classe Client : nom, email, age et pays • Méthode modifier_email(nouvel_email) : Permet au client de mettre à jour son adresse e-mail. • Méthode annuler_achat(id_achat) : Permet au client d'annuler un achat spécifique en fournissant l'identifiant de l'achat. • Méthode afficher_details() : Affiche tous les détails du client de manière structurée. Pour la classe Achat : hérite de la classe Client et contient les attributs suivants supplémentaires : produit, prix et date. • Méthode calculer_montant_ttc(taux_tva) : Calcule le montant total TTC de l'achat en ajoutant la TVA spécifiée. • Méthode afficher_details() : Affiche tous les détails de l'achat de manière structurée. • Méthode est_remise_applicable(montant_remise) : Vérifie si une remise est applicable sur le prix de l'achat en fonction du montant spécifié. Travail à effectuer : 1. Créez la classe Client et la classe Achat, la classe Achat doit hériter de la classe Client. Par exemple, vous pouvez utiliser random.choice() pour chat. 2. En utilisant des fonction de la bibliothèque random, vous devez générer des données fictives, vous pouvez créer des listes de noms, d'e-mails, d'âge et sélectionner aléatoirement des éléments dans une liste prédéfinie de noms, une liste de domaines e-mail fictifs, etc (par exemple par la fonction random.choice(),). 3. Utilisez Pandas pour créer des DataFrames à partir des données des clients et des achats, ensuite il faut sauvegarder ces données dans un fichier csv. 4. Effectuez une jointure entre les DataFrames pour associer les achats aux clients. Vous pouvez utiliser la fonction merge() de Pandas pour effectuer la jointure en fonction de l'attribut client. 5. Pour les statistiques sur les données clients et achats : • Utilisez les méthodes de Pandas comme describe(), value_counts(), etc., pour obtenir des statistiques descriptives telles que la moyenne, la médiane, l'écart-type, etc. • Utilisez des fonctions de filtrage et de groupement pour obtenir des statistiques par groupe, par exemple le montant total des achats par pays. 6. Utilisez Matplotlib pour représenter graphiquement des informations intéressantes. Par exemple, Utilisez : • Un histogramme pour visualiser la distribution des prix d'achat, • Un diagramme à barres pour représenter le nombre d'achats par

import random

class Client:
    def __init__(self, nom, email, age, pays):
        self.nom = nom
        self.email = email
        self.age = age
        self.pays = pays

    def modifier_email(self, nouvel_email):
        self.email = nouvel_email

    def afficher_details(self):
        return f'Nom: {self.nom}, Email: {self.email}, Age: {self.age}, Pays: {self.pays}'

class Achat(Client):
    def __init__(self, nom, email, age, pays, produit, prix, date):
        super().__init__(nom, email, age, pays)
        self.produit = produit
        self.prix = prix
        self.date = date

    def calculer_montant_ttc(self, taux_tva):
        return self.prix * (1 + taux_tva)

    def afficher_details(self):
        return super().afficher_details() + f', Produit: {self.produit}, Prix: {self.prix}, Date: {self.date}'

    def est_remise_applicable(self, montant_remise):
        return self.prix >= montant_remise

noms = ['nom1', 'nom2', 'nom3']
emails = ['email1', 'email2', 'email3']
ages = [20, 30, 40]
pays = ['France', 'Allemagne', 'Espagne']
produits = ['produit1', 'produit2', 'produit3']
prix = [100, 200, 300]
dates = ['01-01-2020', '01-02-2020', '01-03-2020']

clients = [Client(random.choice(noms), random.choice(emails), random.choice(ages), random.choice(pays)) for _ in range(10)]
achats = [Achat(random.choice(noms), random.choice(emails), random.choice(ages), random.choice(pays), random.choice(produits), random.choice(prix), random.choice(dates)) for _ in range(10)]

import pandas as pd

df_clients = pd.DataFrame([client.__dict__ for client in clients])
df_achats = pd.DataFrame([achat.__dict__ for achat in achats])

df_clients.to_csv('clients.csv', index=False)
df_achats.to_csv('achats.csv', index=False)

df = pd.merge(df_clients, df_achats, on='nom')

df.describe()
df['pays'].value_counts()
df.groupby('pays')['prix'].sum()

import matplotlib.pyplot as plt

plt.hist(df['prix'])
plt.show()

df['pays'].value_counts().plot(kind='bar')
plt.show()