← Tous les projets

Data Analysis

Analyse du temps d'écran des enfants

Analyse exploratoire (EDA) d'un jeu de données sur le temps d'écran des enfants en fonction de facteurs démographiques (âge, genre, usage).

PythonPandasNumpy
Analyse du temps d'écran des enfants

Contexte

Ce projet est une analyse exploratoire de données (EDA) portant sur le temps d'écran quotidien moyen des enfants. L'objectif était d'identifier des tendances et des corrélations entre ce temps d'écran et plusieurs variables démographiques : l'âge, le genre, le type d'utilisation (éducatif vs récréatif) et le type de journée (semaine vs week-end).

Le jeu de données est fourni sous forme de fichier CSV et toute l'analyse est conduite dans un unique notebook Jupyter.

Ce que couvre l'analyse

L'exploration suit une progression logique, du nettoyage des données jusqu'à l'interprétation des résultats :

  • Nettoyage et préparation — vérification des valeurs manquantes, typage des colonnes, exploration des distributions
  • Analyse par âge — comment le temps d'écran évolue avec l'âge des enfants
  • Analyse par genre — comparaison entre filles et garçons
  • Type d'usage — répartition entre usages éducatifs et récréatifs
  • Jours de semaine vs week-end — impact du rythme hebdomadaire sur les habitudes
  • Visualisations — graphiques en barres, distributions, comparaisons inter-groupes produits avec Matplotlib et Seaborn

Stack technique

Python         Langage principal
Pandas         Manipulation et nettoyage du dataframe
Matplotlib     Visualisations de base
Seaborn        Graphiques statistiques avancés
Jupyter        Environnement d'analyse interactif

Structure du projet

Le projet est volontairement minimaliste, centré sur un seul fichier d'analyse :

screen_time.csv      Dataset principal
screen_time.ipynb    Notebook complet (analyse + visualisations)

Ce que j'ai appris

Ce projet m'a permis de consolider les bases du flux de travail d'analyse de données avec Python : charger et nettoyer un dataset, formuler des hypothèses, les vérifier visuellement, puis interpréter les résultats de manière critique.

La partie la plus instructive a été d'apprendre à choisir le bon type de visualisation selon la nature de la variable (catégorielle, numérique, comparaison entre groupes), et à produire des graphiques lisibles sans surcharge visuelle.

Projet suivant

France Stats.