Réalisez une étude de santé publique Python
Réalisation d’une analyse des données historiques de la FAO (2013-2017) afin d’évaluer la sous-nutrition mondiale et produire des insights stratégiques pour une étude internationale.
Mission
En tant que Data Analyst fraîchement intégré à la FAO (Organisation des Nations Unies pour l'alimentation et l'agriculture), j'ai réalisé une étude de grande ampleur sur la sous-nutrition mondiale. L'objectif était d'analyser les données historiques (2013-2017) pour comprendre les enjeux de la faim dans le monde, l'utilisation des ressources céréalières et l'efficacité de l'aide alimentaire.
Comment avez-vous procédé ?
1. Préparation et nettoyage des données : J'ai manipulé plusieurs jeux de données massifs issus de la FAO (sous-nutrition, aide alimentaire, population, disponibilité alimentaire). Sous Python, j'ai effectué un nettoyage rigoureux : gestion des valeurs manquantes, conversion des unités (milliers vs millions) et vérification de la cohérence temporelle.
2. Analyse de la disponibilité alimentaire mondiale : J'ai calculé des indicateurs clés pour l'année 2017 :
Disponibilité mondiale : Détermination du nombre théorique de personnes pouvant être nourries (environ 9 milliards selon l'analyse). Focus Végétaux : Évaluation de la capacité à nourrir la population uniquement via les produits végétaux.
3. Analyse des déséquilibres et de l'aide alimentaire :
Identification des zones critiques :* Extraction des 10 pays ayant la plus forte proportion de personnes en sous-nutrition (ex: Haïti, Afghanistan). Flux de l'aide : Analyse des pays bénéficiaires de l'aide alimentaire entre 2013 et 2016 pour vérifier l'adéquation entre besoins et ressources envoyées.
4. Étude de l'utilisation des céréales (Alimentation humaine vs animale) : J'ai analysé la part des céréales détournées vers l'alimentation animale par rapport à la consommation humaine, mettant en lumière les pertes caloriques dans la chaîne alimentaire mondiale.
5. Zoom stratégique sur le riz et le manioc (Exemple de la Thaïlande) : Une analyse spécifique a été menée sur l'exportation du manioc en Thaïlande par rapport au taux de sous-nutrition local, illustrant les paradoxes de l'exportation massive de ressources énergétiques dans des zones de précarité alimentaire.
Livrables réalisés
Notebook Jupyter (Python) : Script complet incluant le nettoyage des données, les jointures complexes (merge), les agrégations (groupby) et les visualisations graphiques. Support de présentation : Une synthèse visuelle des résultats stratégiques destinée aux experts de la FAO, incluant des recommandations basées sur les données. Version PDF du Notebook : Documentation technique garantissant la reproductibilité des analyses. consultables ici : https://github.com/GaelleHenaf/OC_DA4---Realisez_une_etude_de_sante_publique_avec_Python
Résultats Clés
7,1% de la population mondiale était en état de sous-nutrition en 2017. 65% des pays analysés présentaient des ressources insuffisantes ou mal réparties pour couvrir les besoins primaires sans aide extérieure.