if EDA_AVAILABLE:
scatter_vars = [
("chomage_taux", "Taux de chômage (%)", f"INSEE {YEAR_TARGET}"),
("taux_pauvrete", "Taux de pauvreté (%)", f"FiLoSoFi {YEAR_FILOSOFI}"),
("rsa_taux", "Part allocataires RSA (%)", f"DREES {YEAR_TARGET}"),
("part_locataires", "Part ménages locataires (%)", f"RP {YEAR_TARGET}"),
]
y_col_scatter = "suren_depot_nb"
y_label = "Dossiers de surendettement (nb)"
available_scatter = [
(col, label, src) for col, label, src in scatter_vars
if col in df_2021.columns
and pd.to_numeric(df_2021[col], errors="coerce").notna().sum() >= 20
]
if available_scatter:
from scipy import stats as scipy_stats
n_cols = min(2, len(available_scatter))
n_rows = (len(available_scatter) + n_cols - 1) // n_cols
fig, axes = plt.subplots(n_rows, n_cols, figsize=(14, 5 * n_rows))
if len(available_scatter) == 1:
axes = [[axes]]
elif n_rows == 1:
axes = [axes]
for idx, (col, label, src) in enumerate(available_scatter):
row, col_idx = divmod(idx, n_cols)
ax = axes[row][col_idx] if n_rows > 1 else axes[0][col_idx]
x_data = pd.to_numeric(df_2021[col], errors="coerce")
y_data = pd.to_numeric(df_2021[y_col_scatter], errors="coerce")
valid = pd.DataFrame({"x": x_data, "y": y_data}).dropna()
ax.scatter(valid["x"], valid["y"], color=_CYAN, alpha=0.6, s=40)
if len(valid) >= 5:
slope, intercept, r_val, p_val, _ = scipy_stats.linregress(valid["x"], valid["y"])
x_line = np.linspace(valid["x"].min(), valid["x"].max(), 100)
ax.plot(x_line, intercept + slope * x_line, color=_RED, linewidth=2,
label=f"r={r_val:.2f}, p={'<0,001' if p_val < 0.001 else f'{p_val:.3f}'}")
ax.legend(fontsize=9)
ax.set_xlabel(label, fontsize=10)
ax.set_ylabel(y_label, fontsize=10)
ax.set_title(f"{y_label}\nvs. {label}", fontsize=10, fontweight="bold")
ax.grid(alpha=0.3)
ax.text(
0.98, 0.02, f"Source : {src}",
transform=ax.transAxes, fontsize=7, style="italic", va="bottom", ha="right",
)
for idx in range(len(available_scatter), n_rows * n_cols):
row, col_idx = divmod(idx, n_cols)
if n_rows > 1:
axes[row][col_idx].set_visible(False)
else:
axes[0][col_idx].set_visible(False)
fig.suptitle(
f"Relations bivariées : surendettement vs. prédicteurs ({YEAR_TARGET})",
fontsize=13, fontweight="bold", y=1.01,
)
fig.text(
0.5, -0.01,
f"Source : Banque de France, INSEE, DREES. Données {YEAR_TARGET} — 96 départements métropolitains. "
"Chaque point représente un département. La droite de régression indique la tendance linéaire.",
ha="center", fontsize=8, style="italic", wrap=True,
)
plt.tight_layout()
plt.show()
else:
print(
"⚠️ Graphiques bivariés limités aux variables disponibles.\n"
"Variables FiLoSoFi, RP, minimas sociaux indisponibles — "
"seul le chômage peut être représenté une fois les données téléchargées."
)
# Scatter chômage seul si disponible
x_data = pd.to_numeric(df_2021["chomage_taux"], errors="coerce")
y_data = pd.to_numeric(df_2021["suren_depot_nb"], errors="coerce")
valid = pd.DataFrame({"x": x_data, "y": y_data}).dropna()
if len(valid) >= 20:
from scipy import stats as scipy_stats
fig, ax = plt.subplots(figsize=(8, 5))
ax.scatter(valid["x"], valid["y"], color=_CYAN, alpha=0.6, s=40)
slope, intercept, r_val, p_val, _ = scipy_stats.linregress(valid["x"], valid["y"])
x_line = np.linspace(valid["x"].min(), valid["x"].max(), 100)
ax.plot(x_line, intercept + slope * x_line, color=_RED, linewidth=2,
label=f"r={r_val:.2f}, p={'<0,001' if p_val < 0.001 else f'{p_val:.3f}'}")
ax.legend(fontsize=9)
ax.set_xlabel("Taux de chômage (%)", fontsize=10)
ax.set_ylabel("Dossiers de surendettement (nb)", fontsize=10)
ax.set_title(f"Surendettement vs. Chômage ({YEAR_TARGET})", fontsize=11, fontweight="bold")
ax.grid(alpha=0.3)
fig.text(
0.5, -0.04,
f"Source : Banque de France (surendettement), INSEE chômage localisé (chômage). {YEAR_TARGET} — 96 départements.",
ha="center", fontsize=8, style="italic"
)
plt.tight_layout()
plt.show()
else:
print("⚠️ Données EDA non disponibles — exécuter les scripts 01-04 d'abord.")
