Visualisation et traitement de données

J'ai développé plusieurs outils de visualisation, tout d'abord dans un contexte astrophysique (pour la visualisation et l'analyse de données issues de codes de simulation ou de traitement de données utilisés en astrophysique) mais aussi sociologique. Je travaille dans la majorité des cas en Python.

Outils de visualisation pour l'astrophysique

dumpy

‹ ›

dumpy est la bibliothèque Python que j'ai développée pour la visualisation des données issues de simulations réalisées avec DUMSES-Hybrid. Cette bibliothèque permet de lire et visualiser dans toutes les géométries disponibles les variables issues des simulations et d'en construire de nouvelles à la volée (comme montré ci-dessus (deuxième image), avec la variable \(\rho v_x^2\), reconstruite à partir de la densité \(\rho\) et de la vitesse \(v_x\)).

PyRADMC

‹ ›

Au cours de mon doctorat, j'ai développé la bibliothèque Python PyRADMC pour visualiser les résultats issus du code de transfert radiatif RADMC-3D, que j'utilisais alors pour réaliser des observations synthétiques de cœurs protostellaires. À l'époque, RADMC-3D ne fournissait que des routines de lecture en IDL. PyRADMC permet de lire images et spectres générés par RAMDC.

PyTHENA

J'ai également développé la bibliothèque PyThena, qui permet de lire les sorties du code de simulation hydrodynamique Athena 3D (version Fortran 95). J'avais souhaité tester le code, et m'étais trouvé confronté à des outils de lecture uniquement fournis en IDL (ce qui était fréquemment le cas en astrophysique et qui tend à être de moins en moins vrai avec l'essor de Python dans la communauté).

Visualisation de données en sociologie

Baromètre d'emploi

J'ai développé pour Adoc Talent Management un baromètre de l'emploi des docteur⋅e⋅s en Python, qui permet de mesurer l'évolution de l'emploi des docteur⋅e⋅s en France et à l'étranger, sur différents portails et sites.

Visualisation de données d'enquête

Dans le cadre de mon activité chez Adoc Talent Management, j'ai développé un outil en Python (et reposant sur les bibliothèques Pandas et surtout Dash, un framework permettant de construire simplement des applications web de visualisation et analyse de données) afin de visualiser des données issues de sondages réalisés avec LimeSurvey.

Représentation de flux d'individus

Les données issues d'enquêtes longitudinales (suivi d'individus sur plusieurs années) pose des questions intéressantes en termes de visualisation. Avec un peu de R et une pincée de D3.js, j'ai réalisée des visualisations interactives de flux d'individus.