erreur_pays = ['[RE]','[GP]']
avantages.loc[avantages['benef_pays_code'].isin(erreur_pays), 'benef_pays_code'] = '[FR]'
# * On homogénéise les valeurs manquantes ou tierces par la mention "non-renseigné"
avantages = avantages.fillna('non renseigné')
to_replace = ['[AUTRE]', '']
avantages.replace(to_replace, 'non renseigné', inplace=True)
# * On transforme la valeur des conventions/avantages en leur équivalent décile (uniformisation)
avantages['avant_montant_ttc'] = avantages['avant_montant_ttc'].astype(float)
avantages['montant_décile'] = pd.qcut(avantages.avant_montant_ttc,10)
# * On transforme la date (signature des avantages) en mois/année (le jour est trop identifiant)
avantages['date'] = last_letters(avantages['avant_date_signature'],3)
avantages['avant_nature'] = avantages['avant_nature'].str.lower()
# * On supprime d'abord les variables identifiantes afin de ne garder que les variables quasi-identifiantes
variables_supprimees = ['avant_convention_lie',
'identifiant_type',
'benef_qualification',
'benef_speicalite_libelle',
'ligne_rectification',
'denomination_sociale',
'benef_titre_libelle',
'benef_prenom',
'benef_nom',
avantages.loc[avantages['benef_pays_code'].isin(erreur_pays),
'benef_pays_code'] = '[FR]'
# * On homogénéise les valeurs manquantes ou tierces par la mention "non-renseigné"
avantages = avantages.fillna('non renseigné')
to_replace = ['[AUTRE]', '']
avantages.replace(to_replace, 'non renseigné', inplace=True)
# * On transforme la valeur des conventions/avantages en leur équivalent décile (uniformisation)
avantages['avant_montant_ttc'] = avantages['avant_montant_ttc'].astype(float)
avantages['montant_décile'] = pd.qcut(avantages.avant_montant_ttc, 10)
# * On transforme la date (signature des avantages) en mois/année (le jour est trop identifiant)
avantages['date'] = last_letters(avantages['avant_date_signature'], 3)
avantages['avant_nature'] = avantages['avant_nature'].str.lower()
# * On supprime d'abord les variables identifiantes afin de ne garder que les variables quasi-identifiantes
variables_supprimees = [
'avant_convention_lie', 'identifiant_type', 'benef_qualification',
'benef_speicalite_libelle', 'ligne_rectification', 'denomination_sociale',
'benef_titre_libelle', 'benef_prenom', 'benef_nom', 'benef_adresse1',
'benef_adresse2', 'benef_adresse3', 'benef_adresse4',
'benef_identifiant_valeur', 'benef_ville', 'benef_etablissement_ville',
'categorie', 'benef_qualite_code', 'benef_codepostal',
'benef_etablissement_codepostal', 'ligne_identifiant', 'pays',
'benef_denomination_sociale', 'benef_objet_social', 'avant_date_signature',
'avant_montant_ttc', 'benef_etablissement'
'Date de naissance',
'Pays de naissance',
'Nom',
'Destiné à la consommation humaine',
'Date de mort']
equides.columns = nom_de_colonnes
# On supprime la date de mort puisque cela nous fournirait un indice sur l'âge du cheval,
# qu'il faudrait veiller à anonymiser.
variables_supprimees = ['Date de mort', 'Destiné à la consommation humaine']
equides = equides.drop(variables_supprimees,1)
# La variable "date de naissance" doit être recodée. On choisit de ne garder que l'année.
equides['Date de naissance'] = last_letters(equides['Date de naissance'],6)
# On remplace les modalités vides ou non renseignées par des "non renseigné"
equides = equides.fillna('non renseigné')
equides = equides.applymap(lambda x: x.strip())
equides.replace('', 'non renseigné', inplace=True)
# On convertit tous les noms de races en minuscules afin de mieux pouvoir uniformiser
# et on normalise afin de n'obtenir plus qu'une modalité inconnu, anglo-arabe, weslh ou aa compl.
equides['Race'] = equides['Race'].str.lower()
liste_races = equides['Race'].unique().tolist()
for word in ['inconnu', 'anglo-arabe', 'welsh', 'aa compl.']: