1. Import les libraries et le dataset

import numpy as np import pandas as pd import matplotlib.pyplot as pltimport seaborn as sns

data_dpe = pd.read_csv('/kaggle/input/datasets/vitnguynchong/data-analyse-dpe/data_dpe.txt',sep='\\s+')data_dpe.head()

	type_logement	annee_construction	surface_habitable	type_energie_chauffage	conso_energie	classe_conso_energie	emission_ges
0	1	1988	25	2	300.44	C	13.23
1	1	1996	64	1	148.17	D	34.67
2	1	1970	46	2	257.00	C	12.00
3	2	1958	74	1	317.03	F	74.18
4	1	2013	38	1	53.42	C	12.50

Les variables sélectionnées pour cette étude sont les suivantes :- type_logement : type du logement (1 = appartement, 2 = maison) — variable qualitative.- annee_construction : année de construction du logement — variable quantitative.- surface_habitable : surface habitable en mètres carrés — variable quantitative.- type_energie_chauffage : type d’énergie utilisée pour le chauffage (1 = gaz, 2 = électricité, 3 = autre) — variable qualitative.- conso_energie : consommation énergétique annuelle en kWhEP/m² — variable quantitative.- classe_conso_energie : classe de consommation énergétique (de A à G) — variable qualitative.- emission_ges : émissions de gaz à effet de serre en kg éq.CO₂/m² — variable quantitative.

2. Analyse descriptive

2.1 Variables quantitatives

2.1.1 Ancienneté

data_dpe['anciennete'] = 2021 - data_dpe['annee_construction']data_dpe['anciennete'].describe()

count    1000.000000
mean       34.578000
std        25.877743
min         1.000000
25%        15.000000
50%        32.000000
75%        51.000000
max       121.000000
Name: anciennete, dtype: float64

anciennete = data_dpe['anciennete']round(anciennete.std(), 2)

25.88

cv = round((anciennete.std() / anciennete.mean()) * 100)cv

75

moyenne = data_dpe['anciennete'].mean()mediane = data_dpe['anciennete'].median()plt.hist(data_dpe['anciennete'], bins=30)plt.title("Distribution de l'ancienneté des logements")plt.xlabel("Ancienneté (années)")plt.ylabel("Fréquence")plt.axvline(moyenne, linewidth=2,color='red')plt.text(0.95, 0.95,         f"Moyenne = {round(moyenne,1)}",         transform=plt.gca().transAxes,ha='right', va='top',color='red')plt.axvline(mediane, linewidth=2,color='green')plt.text(0.95, 0.90,         f"Médiane = {round(mediane,1)}",         transform=plt.gca().transAxes, ha='right', va='top',color='green')plt.show()

2.1.2 Surface habitable

data_dpe['surface_habitable'].describe()

count    1000.000000
mean       82.514000
std        94.874069
min        16.000000
25%        45.750000
50%        66.000000
75%        95.250000
max      1452.000000
Name: surface_habitable, dtype: float64

# écart-typesd_surface = data_dpe['surface_habitable'].std()print(sd_surface)# Coefficient de variationcv = round((sd_surface / data_dpe['surface_habitable'].mean()) * 100)print(cv)

94.87406860092435
115

moyenne = data_dpe['surface_habitable'].mean()mediane = data_dpe['surface_habitable'].median()plt.hist(data_dpe['surface_habitable'], bins=30)plt.title("Distribution de la surface habitable")plt.xlabel("Surface habitable")plt.ylabel("Fréquence")# Moyenneplt.axvline(moyenne, linewidth=2,color='red')plt.text(0.95, 0.95,         f"Moyenne = {round(moyenne,1)}",         transform=plt.gca().transAxes,ha='right', va='top',color='red')# Medianeplt.axvline(mediane, linewidth=2,color='green')plt.text(0.95, 0.90,         f"Médiane = {round(mediane,1)}",         transform=plt.gca().transAxes, ha='right', va='top',color='green')plt.show()

plt.boxplot(data_dpe['surface_habitable'],            patch_artist=True,              boxprops=dict(facecolor='cyan', color='black'),            medianprops=dict(color='red'))plt.title("Distribution de la surface habitable", fontsize=14)plt.xlabel("Surface habitable", fontsize=12)plt.ylabel("Fréquence", fontsize=12)plt.show()

2.1.3 Consommation d’énergie

data_dpe['conso_energie'].describe()

count    1000.000000
mean      184.119070
std        96.891905
min        27.920000
25%       114.735000
50%       181.165000
75%       238.245000
max       591.350000
Name: conso_energie, dtype: float64

# Écart typesd_conso_energie = data_dpe['conso_energie'].std()print(sd_conso_energie)# Coefficient de variationcv = round((sd_conso_energie/ data_dpe['conso_energie'].mean()) * 100)print(cv)

96.89190515063082
53

moyenne = data_dpe["conso_energie"].mean()mediane = data_dpe["conso_energie"].median()plt.hist(data_dpe["conso_energie"], bins=30)plt.title("Distribution de la consommation de l'énergie")plt.xlabel("énergie consommée")plt.ylabel("Fréquence")# Moyenne plt.axvline(moyenne, linewidth=2,color='red')plt.text(0.95, 0.95,         f"Moyenne = {round(moyenne,1)}",         transform=plt.gca().transAxes,ha='right', va='top',color='red')# Medianeplt.axvline(mediane, linewidth=2,color='green')plt.text(0.95, 0.90,         f"Médiane = {round(mediane,1)}",         transform=plt.gca().transAxes, ha='right', va='top',color='green')plt.show()

plt.boxplot(data_dpe['conso_energie'],            patch_artist=True,             boxprops=dict(facecolor='cyan', color='black'),            medianprops=dict(color='red'))plt.title("Distribution de la consommation de l'énergie", fontsize=14)plt.xlabel("énergie consommée", fontsize=12)plt.show()

2.1.4 Émission de GES

data_dpe['emission_ges'].describe()

count    1000.000000
mean       21.932580
std        20.649155
min         2.000000
25%         8.602500
50%        12.695000
75%        30.000000
max       143.360000
Name: emission_ges, dtype: float64

# Écart-typesd_emission_ges = data_dpe['emission_ges'].std()print(sd_emission_ges)# Coefficient de variationcv = round((sd_emission_ges/ data_dpe['emission_ges'].mean()) * 100)print(cv)

20.64915509045223
94

moyenne = data_dpe['emission_ges'].mean()mediane = data_dpe['emission_ges'].median()plt.hist(data_dpe['emission_ges'], bins=30)plt.title("Distribution de la consommation degaz à effet de serre")plt.xlabel("consommation de gaz à effet de serre") plt.ylabel("Fréquence")# Moyenneplt.axvline(moyenne, linewidth=2,color='red')plt.text(0.95, 0.95,         f"Moyenne = {round(moyenne,1)}",         transform=plt.gca().transAxes,ha='right', va='top',color='red')# Medianeplt.axvline(mediane, linewidth=2,color='green')plt.text(0.95, 0.90,         f"Médiane = {round(mediane,1)}",         transform=plt.gca().transAxes, ha='right', va='top',color='green')plt.show()

plt.boxplot(data_dpe['emission_ges'],            patch_artist=True,              boxprops=dict(facecolor='cyan', color='black'),            medianprops=dict(color='red'))plt.title("Distribution de la consommation degaz à effet de serre", fontsize=14)plt.xlabel("consommation de gaz à effet de serre", fontsize=12)plt.show()

2.2 Variables qualitatives

2.2.1 Le type de logement

data_dpe["type_logement"] = pd.Categorical(    data_dpe["type_logement"],    categories=[1, 2],    ordered=False)data_dpe["type_logement"] = data_dpe["type_logement"].cat.rename_categories(    ["appartement", "maison"])data_dpe["type_logement"].value_counts()

type_logement
appartement    639
maison         361
Name: count, dtype: int64

sns.boxplot(x="type_logement", y="conso_energie", hue="type_logement",            data=data_dpe, palette={"appartement":"cyan","maison":"lightgreen"},            dodge=False, medianprops={"color":"red"})  plt.legend([],[], frameon=False)  plt.title("Distribution de la consommation d'énergie selon type de logement")plt.show()

2.2.2 Le type de l’energie chauffage

data_dpe["type_energie_chauffage"] = data_dpe["type_energie_chauffage"].map({    1: "gaz",    2: "électricité",    3: "autre"})

data_dpe["type_energie_chauffage"] = pd.Categorical(    data_dpe["type_energie_chauffage"],    categories=["gaz", "électricité", "autre"],    ordered=False)data_dpe["type_energie_chauffage"].value_counts()

type_energie_chauffage
électricité    542
gaz            433
autre           25
Name: count, dtype: int64

sns.countplot(x="type_energie_chauffage", data=data_dpe, hue="type_energie_chauffage",              palette=["cyan","gold","coral"])plt.title("Distribution du type de l'energie chauffage")plt.xlabel("Type de l'énergie chauffage")plt.ylabel("Frequence")

Text(0, 0.5, 'Frequence')

2.2.3 La classe de la consommation d’énergie

data_dpe["classe_conso_energie"].value_counts().reindex(["A","B","C","D","E","F","G"])

classe_conso_energie
A     98
B    295
C    274
D    121
E    127
F     70
G     15
Name: count, dtype: int64

counts = data_dpe["classe_conso_energie"].value_counts().sort_index()plt.bar(counts.index, counts.values,         color=["gold","plum","aquamarine","firebrick","limegreen","khaki","navy"])plt.title("Distribution de classe conso energie")plt.xlabel("Classe consommation d'énergie")plt.ylabel("Frequence")for i, val in enumerate(counts.values):    plt.text(i, val + 0.5, str(val), ha='center', fontsize=10)plt.show()

3. Analyse en composantes principales (ACP)

housing = data_dpe.copy()  data = housing[["annee_construction", "surface_habitable", "conso_energie", "emission_ges"]]

data.head()  data.info()  

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1000 entries, 0 to 999
Data columns (total 4 columns):
 #   Column              Non-Null Count  Dtype  
---  ------              --------------  -----  
 0   annee_construction  1000 non-null   int64  
 1   surface_habitable   1000 non-null   int64  
 2   conso_energie       1000 non-null   float64
 3   emission_ges        1000 non-null   float64
dtypes: float64(2), int64(2)
memory usage: 31.4 KB

m = data.mean()        s = data.std()         X = (data - m) / s     plt.boxplot(X.values, tick_labels=X.columns, patch_artist=True,            boxprops=dict(facecolor="aquamarine"))plt.xticks(rotation=45, fontsize=8)  # las=1, cex.axisplt.show()

3.1 La matrice de covariance

# Méthode 1: NumpyX_matrix = X.values      V = np.corrcoef(X_matrix, rowvar=False)  V_rounded = np.round(V, 2)print(V_rounded)

[[ 1.   -0.01 -0.49 -0.51]
 [-0.01  1.   -0.13  0.02]
 [-0.49 -0.13  1.    0.44]
 [-0.51  0.02  0.44  1.  ]]

Méthode 2: PandasV = X.corr() V_rounded = V.round(2) print(V_rounded)

3.2 Les valeur propre

eigvals, eigvecs = np.linalg.eigh(V_rounded)# on range dans ordreeigvals_sorted = np.sort(eigvals)[::-1]eigvals_rounded = np.round(eigvals_sorted, 2)print(eigvals_rounded)

[1.96 1.03 0.54 0.47]

plt.plot(range(1, len(eigvals_sorted)+1), eigvals_sorted, marker='o', linestyle='-')plt.ylabel("Valeurs propres")plt.xlabel("Index")plt.title("Scree plot")plt.xticks(range(1, len(eigvals_sorted)+1))plt.grid(True, linestyle='--', alpha=0.5)plt.show()

n_features = X.shape[1]cumulative_variance_ratio = np.cumsum(eigvals_sorted) / n_featuresprint(np.round(cumulative_variance_ratio, 2))

[0.49 0.75 0.88 1.  ]

# eigvals, eigvecs  np.linalg.eigheigvals, eigvecs = np.linalg.eigh(V_rounded)# on range dans l'ordre eigenvalues idx = np.argsort(eigvals)[::-1]    eigvals_sorted = eigvals[idx]eigvecs_sorted = eigvecs[:, idx]eigvecs_rounded = np.round(eigvecs_sorted, 2)eigvecs_df = pd.DataFrame(eigvecs_rounded, columns=X.columns)print(eigvecs_df)

   annee_construction  surface_habitable  conso_energie  emission_ges
0               -0.59              -0.11           0.02         -0.80
1               -0.06               0.97          -0.22         -0.10
2                0.57              -0.17          -0.69         -0.41
3                0.57               0.15           0.69         -0.42

# Méthode 1#  Projections (scores)Y = X.values @ eigvecs_sorted   # X %*% E$vectorsY_df = pd.DataFrame(Y, columns=[f"PC{i+1}" for i in range(Y.shape[1])])#  D = diag(sqrt(eigenvalues))k = 2D = np.diag(np.sqrt(eigvals_sorted))C = eigvecs_sorted @ D[:, :k]   #  E$vectors %*% D[,1:k]#  Méthode 2: correlation X vs Y[,1:k]C2 = np.corrcoef(X.values.T, Y[:, :k].T)[:X.shape[1], X.shape[1]:]  # matrice correlation# Verifierdiff = C2 - C[:, :k]print("C2 (correlation directe):\n", np.round(C2, 2))print("C (E$vectors * sqrt(E$values)):\n", np.round(C[:, :k], 2))print("Diff = C2 - C:\n", np.round(diff, 2))

C2 (correlation directe):
 [[-0.83 -0.11]
 [-0.09  0.98]
 [ 0.8  -0.17]
 [ 0.8   0.15]]
C (E$vectors * sqrt(E$values)):
 [[-0.83 -0.12]
 [-0.08  0.98]
 [ 0.8  -0.17]
 [ 0.8   0.15]]
Diff = C2 - C:
 [[ 0.  0.]
 [-0. -0.]
 [ 0. -0.]
 [-0. -0.]]

import matplotlib.pyplot as pltimport numpy as np# Column 0 = PC1, Column 1 = PC2x = C[:, 0]y = C[:, 1]labels = X.columns  plt.figure(figsize=(6,6))plt.scatter(x, y, color='red')for i, label in enumerate(labels):    plt.text(x[i]+0.02, y[i]+0.02, label, fontsize=9)theta = np.linspace(0, 2*np.pi, 100)plt.plot(np.cos(theta), np.sin(theta), linestyle='--', color='blue')# X et Yplt.axhline(0, color='black', linewidth=1)plt.axvline(0, color='black', linewidth=1)plt.xlim(-1, 1)plt.ylim(-1, 1)plt.gca().set_aspect('equal', adjustable='box')  # asp = 1plt.title("Cercle de corrélation")plt.xlabel("PC1")plt.ylabel("PC2")plt.grid(True, linestyle='--', alpha=0.5)plt.show()

Relations entre les variables (Corrélations)La distance et l’angle entre les points (variables) indiquent leur niveau de corrélation :- Corrélation positive : emission_ges (émissions de gaz à effet de serre) et conso_energie (consommation d’énergie) sont très proches l’une de l’autre. Cela signifie qu’elles sont positivement corrélées : les logements qui consomment beaucoup d’énergie ont généralement des émissions élevées.- Corrélation négative : annee_construction (année de construction) est situé à l’opposé du groupe énergie/émissions par rapport au centre du cercle (selon l’axe horizontal). Cela suggère que les bâtiments plus anciens (année de construction plus faible) ont tendance à consommer davantage d’énergie et à émettre plus de gaz à effet de serre.- Indépendance (absence de corrélation) : surface_habitable (surface habitable) est proche de l’axe vertical, formant un angle proche de 90° avec les autres variables. Cela signifie que, dans cet ensemble de données, la surface du logement est peu liée à l’année de construction ou à la performance énergétique par unité de surface.

from sklearn.decomposition import PCAfrom sklearn.preprocessing import StandardScalerimport pandas as pdX = data.copy()# scaler = StandardScaler()X_scaled = scaler.fit_transform(X)# 2. PCA avec k componentspca = PCA(n_components=2)  Y = pca.fit_transform(X_scaled)  # scores (PCs)# 3. Eigenvalues & proportion of varianceeigvals = pca.explained_variance_            # eigenvaluesexplained_ratio = pca.explained_variance_ratio_  # % variance explained# 4.loadings = pca.components_.Tloadings_df = pd.DataFrame(loadings, index=X.columns, columns=[f"PC{i+1}" for i in range(loadings.shape[1])])print("Scores (Y):")print(pd.DataFrame(Y, columns=[f"PC{i+1}" for i in range(Y.shape[1])]).head())print("\nLoadings (C):")print(loadings_df.round(2))print("\nExplained variance ratio:")print(np.round(explained_ratio, 2))

Scores (Y):
        PC1       PC2
0 -0.447276 -0.850355
1  0.066396 -0.079792
2 -0.554346 -0.492462
3 -2.875295  0.200303
4  1.604580 -0.425929

Loadings (C):
                     PC1   PC2
annee_construction  0.59 -0.12
surface_habitable   0.06  0.97
conso_energie      -0.57 -0.16
emission_ges       -0.57  0.15

Explained variance ratio:
[0.49 0.26]

4. Analyse des correspondances multiples (ACM)

house = data_dpe.copy()  data2 = house[["type_logement","type_energie_chauffage","classe_conso_energie"]]

data1 = data_dpe[["type_logement", "type_energie_chauffage", "classe_conso_energie"]].copy()data1["type_logement"] = data1["type_logement"].astype("category")data1["type_energie_chauffage"] = data1["type_energie_chauffage"].astype("category")data1["classe_conso_energie"] = data1["classe_conso_energie"].astype("category")

# on resumefor col in data1.columns:    print(f"--- {col} ---")    print(data1[col].value_counts())    print()

--- type_logement ---
type_logement
appartement    639
maison         361
Name: count, dtype: int64

--- type_energie_chauffage ---
type_energie_chauffage
électricité    542
gaz            433
autre           25
Name: count, dtype: int64

--- classe_conso_energie ---
classe_conso_energie
B    295
C    274
E    127
D    121
A     98
F     70
G     15
Name: count, dtype: int64

!pip install prince

Collecting prince
  Downloading prince-0.17.0-py3-none-any.whl.metadata (6.6 kB)
Requirement already satisfied: scikit-learn>=1.5.1 in /usr/local/lib/python3.12/dist-packages (from prince) (1.6.1)
Requirement already satisfied: pandas>=2.2.0 in /usr/local/lib/python3.12/dist-packages (from prince) (2.3.3)
Requirement already satisfied: altair>=5.0.0 in /usr/local/lib/python3.12/dist-packages (from prince) (5.5.0)
Requirement already satisfied: jinja2 in /usr/local/lib/python3.12/dist-packages (from altair>=5.0.0->prince) (3.1.6)
Requirement already satisfied: jsonschema>=3.0 in /usr/local/lib/python3.12/dist-packages (from altair>=5.0.0->prince) (4.26.0)
Requirement already satisfied: narwhals>=1.14.2 in /usr/local/lib/python3.12/dist-packages (from altair>=5.0.0->prince) (2.17.0)
Requirement already satisfied: packaging in /usr/local/lib/python3.12/dist-packages (from altair>=5.0.0->prince) (26.0)
Requirement already satisfied: typing-extensions>=4.10.0 in /usr/local/lib/python3.12/dist-packages (from altair>=5.0.0->prince) (4.15.0)
Requirement already satisfied: numpy>=1.26.0 in /usr/local/lib/python3.12/dist-packages (from pandas>=2.2.0->prince) (2.0.2)
Requirement already satisfied: python-dateutil>=2.8.2 in /usr/local/lib/python3.12/dist-packages (from pandas>=2.2.0->prince) (2.9.0.post0)
Requirement already satisfied: pytz>=2020.1 in /usr/local/lib/python3.12/dist-packages (from pandas>=2.2.0->prince) (2025.2)
Requirement already satisfied: tzdata>=2022.7 in /usr/local/lib/python3.12/dist-packages (from pandas>=2.2.0->prince) (2025.3)
Requirement already satisfied: scipy>=1.6.0 in /usr/local/lib/python3.12/dist-packages (from scikit-learn>=1.5.1->prince) (1.16.3)
Requirement already satisfied: joblib>=1.2.0 in /usr/local/lib/python3.12/dist-packages (from scikit-learn>=1.5.1->prince) (1.5.3)
Requirement already satisfied: threadpoolctl>=3.1.0 in /usr/local/lib/python3.12/dist-packages (from scikit-learn>=1.5.1->prince) (3.6.0)
Requirement already satisfied: attrs>=22.2.0 in /usr/local/lib/python3.12/dist-packages (from jsonschema>=3.0->altair>=5.0.0->prince) (25.4.0)
Requirement already satisfied: jsonschema-specifications>=2023.03.6 in /usr/local/lib/python3.12/dist-packages (from jsonschema>=3.0->altair>=5.0.0->prince) (2025.9.1)
Requirement already satisfied: referencing>=0.28.4 in /usr/local/lib/python3.12/dist-packages (from jsonschema>=3.0->altair>=5.0.0->prince) (0.37.0)
Requirement already satisfied: rpds-py>=0.25.0 in /usr/local/lib/python3.12/dist-packages (from jsonschema>=3.0->altair>=5.0.0->prince) (0.30.0)
Requirement already satisfied: six>=1.5 in /usr/local/lib/python3.12/dist-packages (from python-dateutil>=2.8.2->pandas>=2.2.0->prince) (1.17.0)
Requirement already satisfied: MarkupSafe>=2.0 in /usr/local/lib/python3.12/dist-packages (from jinja2->altair>=5.0.0->prince) (3.0.3)
Downloading prince-0.17.0-py3-none-any.whl (194 kB)
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 194.8/194.8 kB 7.4 MB/s eta 0:00:00
Installing collected packages: prince
Successfully installed prince-0.17.0

import princeimport pandas as pdimport numpy as np# MCAmca = prince.MCA(n_components=5, n_iter=10, copy=True, engine='scipy', random_state=42)mca = mca.fit(data1)# Eigenvalueseigvals = np.array(mca.eigenvalues_)# % variance & cumulativeperc_var = eigvals / eigvals.sum() * 100cum_var = np.cumsum(perc_var)eig_df = pd.DataFrame({    "eigenvalue": np.round(eigvals, 6),    "percentage of variance": np.round(perc_var, 2),    "cumulative % of variance": np.round(cum_var, 2)}, index=[f"dim {i+1}" for i in range(len(eigvals))])print(eig_df)

       eigenvalue  percentage of variance  cumulative % of variance
dim 1    0.565405                   27.76                     27.76
dim 2    0.439783                   21.59                     49.35
dim 3    0.365188                   17.93                     67.27
dim 4    0.333333                   16.36                     83.64
dim 5    0.333333                   16.36                    100.00

plt.figure(figsize=(6,4))plt.plot(range(1, len(eigvals)+1), perc_var, marker='o', linestyle='-')plt.title("Scree plot - % variance explained")plt.xlabel("Dimension")plt.ylabel("% variance")plt.xticks(range(1, len(eigvals)+1))plt.grid(True)plt.show()

var_coords = mca.column_coordinates(data2)  # coordinates of variablesplt.figure(figsize=(6,6))for i, var in enumerate(var_coords.index):    plt.arrow(0, 0, var_coords.iloc[i,0], var_coords.iloc[i,1],               color='red', alpha=0.5, head_width=0.03, length_includes_head=True)    plt.text(var_coords.iloc[i,0]*1.15, var_coords.iloc[i,1]*1.15, var, fontsize=9)# Vẽ unit circletheta = np.linspace(0, 2*np.pi, 100)plt.plot(np.cos(theta), np.sin(theta), linestyle='--', color='black')plt.axhline(0, color='black')plt.axvline(0, color='black')plt.xlim(-1,1)plt.ylim(-1,1)plt.gca().set_aspect('equal', adjustable='box')plt.title("Carte des variables de la MCA")plt.show()

Interprétation de l’Analyse des Correspondances Multiples (ACM)### 1. Analyse des axes factoriels- Axe 1 (Horizontal) : Cet axe semble opposer les classes de consommation énergétique. On observe une transition de la gauche vers la droite, allant des bâtiments les plus économes (Classe B, C) vers les bâtiments les plus énergivores (Classe E, F).- Axe 2 (Vertical) : Cet axe semble structurer les types de logements et les modes de chauffage. Il oppose principalement les appartements (en haut) aux maisons individuelles (en bas).### 2. Corrélations et Proximités (Associations)L’analyse des proximités entre les points permet de dégager les profils suivants :- Profil “Appartement Économe” : On observe une proximité entre type_logement_1 (Appartement) et classe_conso_energie_C. Cela suggère que, dans ce jeu de données, les appartements ont tendance à être mieux classés énergétiquement que la moyenne.- Profil “Maison Individuelle” : type_logement_2 (Maison) se situe dans la partie inférieure du plan. Sa position s’éloigne des classes les plus performantes (B, C), ce qui pourrait indiquer une consommation plus élevée ou une isolation différente.- Impact du type de chauffage : - Chauffage Électricité (type_energie_chauffage_2) est graphiquement proche de la Classe B, suggérant une corrélation entre les logements tout-électrique (souvent plus récents ou mieux isolés) et une bonne performance énergétique. - Chauffage Gaz (type_energie_chauffage_1) se projette davantage vers la droite du graphique, proche des Classes D et E, indiquant une performance énergétique souvent moindre pour ces installations.### 3. Synthèse des résultats- Note : Les modalités classe_conso_energie_E et F sont très excentrées sur la droite. Cela signifie qu’elles contribuent fortement à la formation du premier axe et qu’elles représentent des profils de consommation très distincts (passoires thermiques) par rapport au reste de l’échantillon.