Frolian's blog standing on the shoulders of PyGiants

• About
• Archive

Des cartes du premier tour de l'élection présidentielle 2017

Tue, 02 May 2017

Politique

Ce billet a été écrit à l'aide d'un notebook Jupyter. Son contenu est sous licence BSD. Une vue statique de ce notebook peut être consultée et téléchargée ici : 20170502_ElectionsTour1.ipynb.

A l'occasion du premier tour des élections présidentielles 2017, je vous propose dans ce billet de produire des cartes qui permettent de visualiser les résultats des 11 candidats sur le territoire français.

Il existe de nombreuses manières différentes de visualiser les données issues du vote. Afin de commencer cette exploration, nous allons tout d'abord essayer de reproduire une visualisation publiée sur le site du monde, qui affiche les résultats par département.

Par département

Dans un billet précédent, j'avais utilisé des fichiers au format shapefile pour dessiner des départements français sur une carte. Nous allons réutiliser la procédure pour faire une carte de ce découpage administratif. Cette fois-ci le fichier shapefile provient du site de l'IGN.

Nous allons tout d'abord lire les données contenues dans le fichier shapefile pour la France.

import shapefile

r = shapefile.Reader(r"files/departement_shapes/DEPARTEMENT.shp")
shapes = r.shapes()
records = r.records()
fields = r.fields

On va construire une dataframe pandas avec ces objets.

import pandas as pd

df = pd.DataFrame(records, columns=[f[0] for f in fields[1:]])

df.head()

	ID_GEOFLA	CODE_DEPT	NOM_DEPT	CODE_CHF	NOM_CHF	X_CHF_LIEU	Y_CHF_LIEU	X_CENTROID	Y_CENTROID	CODE_REG	NOM_REG
0	DEPARTEM0000000000000001	39	JURA	300	LONS-LE-SAUNIER	895198	6622537	886172	6641548	27	BOURGOGNE-FRANCHE-COMTE
1	DEPARTEM0000000000000002	42	LOIRE	218	SAINT-ETIENNE	808646	6482549	795655	6521581	84	AUVERGNE-RHONE-ALPES
2	DEPARTEM0000000000000003	76	SEINE-MARITIME	540	ROUEN	562355	6928721	550942	6952842	28	NORMANDIE
3	DEPARTEM0000000000000004	89	YONNE	024	AUXERRE	742447	6744261	748211	6750855	27	BOURGOGNE-FRANCHE-COMTE
4	DEPARTEM0000000000000005	68	HAUT-RHIN	066	COLMAR	1024125	6784581	1016174	6763894	44	ALSACE-CHAMPAGNE-ARDENNE-LORRAINE

On va maintenant dessiner les départements dont les informations sont contenues dans ce fichier shapefile.

%matplotlib inline
import matplotlib.pyplot as plt
plt.style.use('bmh')
import numpy as np
from matplotlib.collections import LineCollection

def draw_departements(ax, records, shapes):
    "Draws a map of the départements."
    for record, shape in zip(records, shapes):
        lons, lats = zip(*shape.points)
        data = np.array([lons, lats]).T

        if len(shape.parts) == 1:
            segs = [data,]
        else:
            segs = []
            for i in range(1,len(shape.parts)):
                index = shape.parts[i-1]
                index2 = shape.parts[i]
                segs.append(data[index:index2])
            segs.append(data[index2:])

        lines = LineCollection(segs,antialiaseds=(1,))
        lines.set_edgecolors('k')
        lines.set_linewidth(0.3)
        ax.add_collection(lines)

plt.figure(figsize=(10, 10))
ax = plt.subplot(111)
draw_departements(ax, records, shapes)
        
xmin, xmax = df['X_CHF_LIEU'].min(), df['X_CHF_LIEU'].max()
ymin, ymax = df['Y_CHF_LIEU'].min(), df['Y_CHF_LIEU'].max()
plt.xlim(xmin - 100000, xmax + 100000)
plt.ylim(ymin - 100000, ymax + 100000)
plt.axis('off')

(71326.0, 1328512.0, 6008968.0, 7159443.0)

A partir de ce graphique, on va maintenant colorier les départements avec la couleur du candidat dominant. Pour faire ceci, il faut aller chercher les résultats sur le site du ministère de l'intérieur: http://elections.interieur.gouv.fr/presidentielle-2017/index.html. De manière assez intéressante, le site du ministère affiche directement les coordonnées des départements dans le code source de sa page et y associe les liens vers les pages de résultats, que l'on peut en extraire.

from bs4 import BeautifulSoup
import requests

soup = BeautifulSoup(requests.get("http://elections.interieur.gouv.fr/presidentielle-2017/index.html").text, 'html.parser')

map_tag = soup.find('map')

area_tags = map_tag.find_all('area')

links = [tag.attrs['href'] for tag in area_tags]

unique_links = set(links)

On peut maintenant aller extraire les données pour chaque candidat à partir de ces liens individuels.

url = "http://elections.interieur.gouv.fr/presidentielle-2017/024/018/index.html"

def extract_candidate_votes(url):
    "Extracts votes for all candidates from a given url."
    r = requests.get(url)
    soup = BeautifulSoup(r.text, 'html.parser')
    dept = soup.find(class_='span12 pub-fil-ariane').find_all('a')[-1].text
    table = soup.find('tbody')
    results = {}
    for row in table.find_all('tr'):
        results[row.td.text] = int(row.td.next_sibling.next_sibling.text.replace(' ', ''))
    return dept, results

Testons cette fonction :

extract_candidate_votes(url)

('Cher (18)',
 {'M. Benoît HAMON': 9157,
  'M. Emmanuel MACRON': 38076,
  'M. François ASSELINEAU': 1479,
  'M. François FILLON': 32967,
  'M. Jacques CHEMINADE': 345,
  'M. Jean LASSALLE': 1925,
  'M. Jean-Luc MÉLENCHON': 33694,
  'M. Nicolas DUPONT-AIGNAN': 9554,
  'M. Philippe POUTOU': 2106,
  'Mme Marine LE PEN': 41753,
  'Mme Nathalie ARTHAUD': 1630})

Nous pouvons maintenant écrire une boucle pour extraire l'information pour tous les départements.

depts = []
results = []
for link in unique_links:
    dept, result = extract_candidate_votes("http://elections.interieur.gouv.fr/presidentielle-2017/" + link) 
    depts.append(dept)
    results.append(result)

A l'aide de cette information, nous pouvons réconcilier les données géographique et les résultats du vote.

df_votes = pd.DataFrame(results, index=depts)

df_votes.tail()

	M. Benoît HAMON	M. Emmanuel MACRON	M. François ASSELINEAU	M. François FILLON	M. Jacques CHEMINADE	M. Jean LASSALLE	M. Jean-Luc MÉLENCHON	M. Nicolas DUPONT-AIGNAN	M. Philippe POUTOU	Mme Marine LE PEN	Mme Nathalie ARTHAUD
Lozère (48)	2733	10463	354	10986	93	1764	9483	2197	683	9097	294
Jura (39)	7589	31896	1330	28373	285	1994	30331	8533	1980	36110	1148
Indre (36)	7786	27301	1098	25476	298	1728	24938	7177	1757	31985	1390
Manche (50)	19238	74683	2048	64909	623	2520	51026	17052	4134	61620	2593
Alpes-Maritimes (06)	21067	111953	6067	161036	939	5262	87941	25175	3622	163141	1729

On peut trier ce tableau par nombre de votants total dans le département.

vote_sum = df_votes.sum(axis=1).sort_values(ascending=True)

fig, ax = plt.subplots(figsize=(7, 12))
vote_sum.plot.barh(ax=ax, fontsize=8, width=1)
plt.tight_layout()

df_votes['total'] = vote_sum

df_votes = df_votes.sort_values(by='total', ascending=True)

df_votes = df_votes.drop('total', 1)

Ceci nous permet par exemple de faire le tableau suivant :

fig, ax = plt.subplots(figsize=(10, 12))
df_votes.plot.barh(ax=ax, stacked=True, fontsize=8, width=1)
plt.tight_layout()

Enfin, on peut combiner les informations géographiques et aboutir à la représentation de la carte colorée obtenue par Le Monde :

candidate_colors = np.linspace(0, 1, 20)

cmap = plt.get_cmap('Vega20_r')

import matplotlib as mpl

fig = plt.figure(figsize=(10, 10))
ax = plt.subplot(111)
idxs = []
for record, shape, code_dpt in zip(records, shapes, df['CODE_DEPT']):
    lons, lats = zip(*shape.points)
    data = np.array([lons, lats]).T

    if len(shape.parts) == 1:
        segs = [data,]
    else:
        segs = []
        for i in range(1,len(shape.parts)):
            index = shape.parts[i-1]
            index2 = shape.parts[i]
            segs.append(data[index:index2])
        segs.append(data[index2:])

    lines = LineCollection(segs, antialiaseds=(1,))
    lines.set_edgecolors('k')
    lines.set_linewidth(0.3)
    values = df_votes[df_votes.index.str.contains("({})".format(code_dpt), regex=False)].values
    idx = np.argmax(values)
    idxs.append(idx)
    facecolor = cmap(candidate_colors[idx])
    lines.set_facecolor(facecolor)
    ax.add_collection(lines)
        
        
xmin, xmax = df['X_CHF_LIEU'].min(), df['X_CHF_LIEU'].max()
ymin, ymax = df['Y_CHF_LIEU'].min(), df['Y_CHF_LIEU'].max()
plt.xlim(xmin - 100000, xmax + 100000)
plt.ylim(ymin - 100000, ymax + 100000)
plt.axis('off')

ax_cbar = fig.add_axes([0.05, 0.15, 0.7, 0.05])
cbar_cmap = mpl.colors.ListedColormap(np.array([cmap(candidate_colors[i]) for i in set(idxs)]))
bounds = list(range(len(set(idxs)) + 1))
norm = mpl.colors.BoundaryNorm(bounds, cbar_cmap.N)
cb = mpl.colorbar.ColorbarBase(ax_cbar, cmap=cbar_cmap,
                                norm=norm,
                                boundaries=bounds,
                                ticks=np.array(bounds) + 0.5,
                                spacing='uniform',
                                orientation='horizontal')
cb.ax.set_xticklabels([df_votes.columns[i] for i in set(idxs)]);  # horizontal colorbar

On peut reprendre la carte ci-dessus et introduire de la transparence pour marquer l'écart au candidat arrivé en premier pour se rendre compte des autres forces politiques en présence :

mapping_func = lambda z: 1 - (1 - z)**2

fig = plt.figure(figsize=(10, 10))
ax = plt.subplot(111)
idxs = []
for record, shape, code_dpt in zip(records, shapes, df['CODE_DEPT']):
    lons, lats = zip(*shape.points)
    data = np.array([lons, lats]).T

    if len(shape.parts) == 1:
        segs = [data,]
    else:
        segs = []
        for i in range(1,len(shape.parts)):
            index = shape.parts[i-1]
            index2 = shape.parts[i]
            segs.append(data[index:index2])
        segs.append(data[index2:])

    lines = LineCollection(segs, antialiaseds=(1,))
    lines.set_edgecolors('k')
    lines.set_linewidth(0.3)
    values = df_votes[df_votes.index.str.contains("({})".format(code_dpt), regex=False)].values
    idx = np.argmax(values)
    idxs.append(idx)
    facecolor = np.array(cmap(candidate_colors[idx]))
    facecolor[3] = mapping_func((values[0, idx] - np.sort(values.ravel())[-2]) / values[0, idx])
    lines.set_facecolor(facecolor)
    ax.add_collection(lines)
        
        
xmin, xmax = df['X_CHF_LIEU'].min(), df['X_CHF_LIEU'].max()
ymin, ymax = df['Y_CHF_LIEU'].min(), df['Y_CHF_LIEU'].max()
plt.xlim(xmin - 100000, xmax + 100000)
plt.ylim(ymin - 100000, ymax + 100000)
plt.axis('off')

ax_cbar = fig.add_axes([0.05, 0.15, 0.7, 0.05])
cbar_cmap = mpl.colors.ListedColormap(np.array([cmap(candidate_colors[i]) for i in set(idxs)]))
bounds = list(range(len(set(idxs)) + 1))
norm = mpl.colors.BoundaryNorm(bounds, cbar_cmap.N)
cb = mpl.colorbar.ColorbarBase(ax_cbar, cmap=cbar_cmap,
                                norm=norm,
                                boundaries=bounds,
                                ticks=np.array(bounds) + 0.5,
                                spacing='uniform',
                                orientation='horizontal')
cb.ax.set_xticklabels([df_votes.columns[i] for i in set(idxs)]);  # horizontal colorbar

Sur la carte ci-dessus, les départements plutôt blancs ont été gagnés avec moins d'avance relative que que ceux qui sont foncés. On peut noter ici l'influence locale de François Fillon dans la Sarthe, celle d'Emmanuel Macron en Bretagne ou encore de Marine Le Pen dans l'Est.

Par candidat

Un deuxième axe d'affichage consiste à dessiner le nombre d'électeur obtenu pour chaque candidat en fonction du département. On utilise la valeur de transparence pour indiquer si le nombre d'électeurs par département est proche du nombre d'électeur maximum par département.

fig = plt.figure(figsize=(16, 13))
for candidate_idx in np.arange(df_votes.columns.size):
    ax = plt.subplot(3, 4, candidate_idx+1)

    for record, shape, code_dpt in zip(records, shapes, df['CODE_DEPT']):
        lons, lats = zip(*shape.points)
        data = np.array([lons, lats]).T

        if len(shape.parts) == 1:
            segs = [data,]
        else:
            segs = []
            for i in range(1,len(shape.parts)):
                index = shape.parts[i-1]
                index2 = shape.parts[i]
                segs.append(data[index:index2])
            segs.append(data[index2:])

        lines = LineCollection(segs, antialiaseds=(1,))
        lines.set_edgecolors('k')
        lines.set_linewidth(0.3)
        values = df_votes[df_votes.index.str.contains("({})".format(code_dpt), regex=False)].values

        facecolor = np.array(cmap(candidate_colors[candidate_idx]))
        facecolor[3] = mapping_func(float(values[0, candidate_idx]) / df_votes.max(axis=0)[df_votes.columns[candidate_idx]])
        lines.set_facecolor(facecolor)
        ax.add_collection(lines)


    xmin, xmax = df['X_CHF_LIEU'].min(), df['X_CHF_LIEU'].max()
    ymin, ymax = df['Y_CHF_LIEU'].min(), df['Y_CHF_LIEU'].max()
    ax.set_xlim(xmin - 100000, xmax + 100000)
    ax.set_ylim(ymin - 100000, ymax + 100000)
    ax.axis('off')

ax_cbar = fig.add_axes([0.05, 0.05, 0.9, 0.025])
cbar_colors = np.array([cmap(candidate_colors[i]) for i in np.arange(df_votes.columns.size)])
cbar_cmap = mpl.colors.ListedColormap(cbar_colors)
bounds = np.arange(cbar_colors.shape[0] + 1)
norm = mpl.colors.BoundaryNorm(bounds, cbar_cmap.N)
cb = mpl.colorbar.ColorbarBase(ax_cbar, cmap=cbar_cmap,
                                norm=norm,
                                boundaries=bounds,
                                ticks=np.array(bounds) + 0.5,
                                spacing='uniform',
                                orientation='horizontal')
cb.ax.tick_params(labelsize=8) 
cb.ax.set_xticklabels(df_votes.columns.str.extract('^(?:M. |Mme )(.*)', expand=False));  

Sur le graphique ci-dessus, on peut voir apparaître certains phénomènes locaux, comme par exemple le succès de Jean Lassalle dans les Pyrénées, mais il est difficile de distinguer les grandes tendances.

Si l'on reprend le graphique précédent mais que l'on normalise cette fois-ci en termes de données d'électeur maximum dans tout le département, on obtient :

fig = plt.figure(figsize=(16, 13))
for candidate_idx in np.arange(df_votes.columns.size):
    ax = plt.subplot(3, 4, candidate_idx+1)

    for record, shape, code_dpt in zip(records, shapes, df['CODE_DEPT']):
        lons, lats = zip(*shape.points)
        data = np.array([lons, lats]).T

        if len(shape.parts) == 1:
            segs = [data,]
        else:
            segs = []
            for i in range(1,len(shape.parts)):
                index = shape.parts[i-1]
                index2 = shape.parts[i]
                segs.append(data[index:index2])
            segs.append(data[index2:])

        lines = LineCollection(segs, antialiaseds=(1,))
        lines.set_edgecolors('k')
        lines.set_linewidth(0.3)
        values = df_votes[df_votes.index.str.contains("({})".format(code_dpt), regex=False)].values

        facecolor = np.array(cmap(candidate_colors[candidate_idx]))
        facecolor[3] = (float(values[0, candidate_idx]) / values.max())
        lines.set_facecolor(facecolor)
        ax.add_collection(lines)


    xmin, xmax = df['X_CHF_LIEU'].min(), df['X_CHF_LIEU'].max()
    ymin, ymax = df['Y_CHF_LIEU'].min(), df['Y_CHF_LIEU'].max()
    ax.set_xlim(xmin - 100000, xmax + 100000)
    ax.set_ylim(ymin - 100000, ymax + 100000)
    ax.axis('off')

ax_cbar = fig.add_axes([0.05, 0.05, 0.9, 0.025])
cbar_colors = np.array([cmap(candidate_colors[i]) for i in np.arange(df_votes.columns.size)])
cbar_cmap = mpl.colors.ListedColormap(cbar_colors)
bounds = np.arange(cbar_colors.shape[0] + 1)
norm = mpl.colors.BoundaryNorm(bounds, cbar_cmap.N)
cb = mpl.colorbar.ColorbarBase(ax_cbar, cmap=cbar_cmap,
                                norm=norm,
                                boundaries=bounds,
                                ticks=np.array(bounds) + 0.5,
                                spacing='uniform',
                                orientation='horizontal')
cb.ax.tick_params(labelsize=8) 
cb.ax.set_xticklabels(df_votes.columns.str.extract('^(?:M. |Mme )(.*)', expand=False));  

La carte ci-dessus met en valeur une chose assez intéressante : la France est partagée de manière homogène à l'échelle des départements entre quatre ou cinq "grands" candidats.

Conclusions

Dans ce billet, nous avons vu comment l'on pouvait combiner les informations géographiques liées aux départements et les résultats du premier tour de l'élection présidentielle afin de dessiner quelques cartes. Il en ressort qu'il est assez difficile d'en tirer des interprétations pertinents. Si vous avez des suggestions d'autres cartes à dessiner, n'hésitez pas à m'en faire part dans les commentaires.

---

This article has been tagged with the following terms:

Politique

---

• 
• 
• 
• 
• 

---

Comments