Exploration des relations binaires

docs/03 - Premiers graphiques/index.md

@@ -4,10 +4,6 @@ On peut désormais tracer nos premiers graphiques simples et bruts.
 S'ils ne sont pas très instructifs par rapport à ce que nous fournissent Home Assistant et InfluxDB, ils nous permettent au moins de nous assurer que tout fonctionne, et que les données semblent cohérentes.
 Les fichiers CSV correspondant à chaque figure sont conservés dans `data/` dans ce dossier.
 
-Les graphiques couvrent maintenant toute la période disponible dans `data/weather_minutely.csv`.
-Une agrégation automatique réduit le nombre de points pour rester lisible (plus de courbes "peignes"), et l'axe des dates utilise un format compact qui évite tout chevauchement de labels.
-On peut au besoin restreindre la période avec `--days` ou imposer une fréquence d'agrégation avec `--resample`.
-
 ```shell
 python "docs/03 - Premiers graphiques/scripts/plot_basic_variables.py"
 ```
@@ -30,9 +26,6 @@ python "docs/03 - Premiers graphiques/scripts/plot_basic_variables.py"
 
 ## Vues calendrier
 
-Les vues calendrier permettent de visualiser, jour par jour, les cumuls ou moyennes quotidiennes sur la dernière année complète disponible.
-Les images générées sont stockées dans `figures/calendar/` et les CSV correspondants dans `data/calendar/`.
-
 ```shell
 python "docs/03 - Premiers graphiques/scripts/plot_calendar_overview.py"
 ```
@@ -48,5 +41,3 @@ python "docs/03 - Premiers graphiques/scripts/plot_calendar_overview.py"
 ![](figures/calendar/calendar_illuminance_2025.png)
 
 ![](figures/calendar/calendar_wind_2025.png)
-
-Ces vues, bien que simples en principe, mettent déjà mieux en évidence les fluctuations au cours du temps.

docs/04 - Corrélations binaires/index.md

@@ -60,74 +60,18 @@ python "docs/04 - Corrélations binaires/scripts/plot_pairwise_time_series.py"
 
 ![](figures/pairwise_timeseries/timeseries_wind_direction_vs_sun_elevation.png)
 
-## Nuages de points
-
-```shell
-python "docs/04 - Corrélations binaires/scripts/plot_all_pairwise_scatter.py"
-```
-
-![](figures/pairwise_scatter/scatter_humidity_vs_illuminance.png)
-
-![](figures/pairwise_scatter/scatter_humidity_vs_pressure.png)
-
-![](figures/pairwise_scatter/scatter_humidity_vs_rain_rate.png)
-
-![](figures/pairwise_scatter/scatter_humidity_vs_sun_elevation.png)
-
-![](figures/pairwise_scatter/scatter_humidity_vs_wind_direction.png)
-
-![](figures/pairwise_scatter/scatter_humidity_vs_wind_speed.png)
-
-![](figures/pairwise_scatter/scatter_illuminance_vs_sun_elevation.png)
-
-![](figures/pairwise_scatter/scatter_illuminance_vs_wind_direction.png)
-
-![](figures/pairwise_scatter/scatter_illuminance_vs_wind_speed.png)
-
-![](figures/pairwise_scatter/scatter_pressure_vs_illuminance.png)
-
-![](figures/pairwise_scatter/scatter_pressure_vs_rain_rate.png)
-
-![](figures/pairwise_scatter/scatter_pressure_vs_sun_elevation.png)
-
-![](figures/pairwise_scatter/scatter_pressure_vs_wind_direction.png)
-
-![](figures/pairwise_scatter/scatter_pressure_vs_wind_speed.png)
-
-![](figures/pairwise_scatter/scatter_rain_rate_vs_illuminance.png)
-
-![](figures/pairwise_scatter/scatter_rain_rate_vs_sun_elevation.png)
-
-![](figures/pairwise_scatter/scatter_rain_rate_vs_wind_direction.png)
-
-![](figures/pairwise_scatter/scatter_rain_rate_vs_wind_speed.png)
-
-![](figures/pairwise_scatter/scatter_temperature_vs_humidity.png)
-
-![](figures/pairwise_scatter/scatter_temperature_vs_illuminance.png)
-
-![](figures/pairwise_scatter/scatter_temperature_vs_pressure.png)
-
-![](figures/pairwise_scatter/scatter_temperature_vs_rain_rate.png)
-
-![](figures/pairwise_scatter/scatter_temperature_vs_sun_elevation.png)
-
-![](figures/pairwise_scatter/scatter_temperature_vs_wind_direction.png)
-
-![](figures/pairwise_scatter/scatter_temperature_vs_wind_speed.png)
-
-![](figures/pairwise_scatter/scatter_wind_direction_vs_sun_elevation.png)
-
-![](figures/pairwise_scatter/scatter_wind_speed_vs_sun_elevation.png)
-
-![](figures/pairwise_scatter/scatter_wind_speed_vs_wind_direction.png)
-
 ## Matrices de corrélation (instantané, signé)
 
+Le calcul des coefficients de Pearson et de Spearman peut nous donner une indication numérique des corrélations entre les différentes variables.
+Cette information peut nous aiguiller sur des relations spécifiques (ou au contraire, nous induire en erreur...).
+
 ```shell
-python "docs/04 - Corrélations binaires/scripts/plot_correlation_heatmap.py" --transform absolute --upper-only
+python "docs/04 - Corrélations binaires/scripts/plot_correlation_heatmap.py" --transform=identity --upper-only
 ```
 
-![](figures/correlation_heatmap_abs.png)
+![](figures/correlation_heatmap.png)
 
-![](figures/correlation_heatmap_spearman_abs.png)
+![](figures/correlation_heatmap_spearman.png)
+
+Le signe et l'intensité des coefficients montrent à quel point deux variables bougent ensemble au même instant (co-mouvement linéaire pour Pearson, monotone pour Spearman).
+Cette matrice sert donc surtout de carte globale : repérer rapidement les couples très corrélés ou indiquer un lien physique évident, mettre en alerte des variables à forte corrélation qui pourraient masquer d'autres effets (saisonnalité, cycle jour/nuit), et choisir quelles paires méritent qu'on teste des décalages temporels ou des relations non linéaires dans la suite.

docs/04 - Corrélations binaires/scripts/plot_all_pairwise_scatter.py

@@ -1,52 +0,0 @@
-# scripts/plot_all_pairwise_scatter.py
-from __future__ import annotations
-
-from pathlib import Path
-import sys
-
-
-PROJECT_ROOT = Path(__file__).resolve().parents[3]
-if str(PROJECT_ROOT) not in sys.path:
-    sys.path.insert(0, str(PROJECT_ROOT))
-
-from meteo.dataset import load_raw_csv
-from meteo.variables import iter_variable_pairs
-from meteo.plots import plot_scatter_pair
-
-
-CSV_PATH = Path("data/weather_minutely.csv")
-DOC_DIR = Path(__file__).resolve().parent.parent
-OUTPUT_DIR = DOC_DIR / "figures" / "pairwise_scatter"
-
-
-def main() -> None:
-    if not CSV_PATH.exists():
-        print(f"⚠ Fichier introuvable : {CSV_PATH}")
-        return
-
-    df = load_raw_csv(CSV_PATH)
-    print(f"Dataset minuté chargé : {CSV_PATH}")
-    print(f"  Lignes   : {len(df)}")
-    print(f"  Colonnes : {list(df.columns)}")
-
-    pairs = iter_variable_pairs()
-    print(f"Nombre de paires de variables : {len(pairs)}")
-
-    for var_x, var_y in pairs:
-        filename = f"scatter_{var_x.key}_vs_{var_y.key}.png"
-        output_path = OUTPUT_DIR / filename
-
-        print(f"→ Trace {var_y.key} en fonction de {var_x.key} → {output_path}")
-        plot_scatter_pair(
-            df=df,
-            var_x=var_x,
-            var_y=var_y,
-            output_path=output_path,
-            sample_step=10,  # un point sur 10 : ≈ 32k points au lieu de 320k
-        )
-
-    print("✔ Tous les graphiques de nuages de points ont été générés.")
-
-
-if __name__ == "__main__":
-    main()