Toujours pareil

A chaque annonce du programme du Paléo, les gens se plaignent que la programmation est toujours la même, année après année. Je ne suis pas fan du Paléo, mais encore moins des gens qui se plaignent tout le temps. Alors, est-ce vrai? Le Paléo manque-t-il d’originalité?

Pour répondre simplement: non. En tout cas pas dans les chiffres. Peut-être que parmi les artistes qui sont revenus plusieurs années, il y avait proportionnellement beaucoup de têtes à claques d’affiche, ce qui peut donner plus facilement une impression de déjà-vu. Ou peut-être que lorsque les artistes reviennent, peu d’années se sont écoulées depuis leur dernier Paléo.

Combien d’artistes différents sont venus au Paléo entre 1976 et 2013?

2’383.

Paléo en compte 2’853. Soit il y a un bug dans mon code, soit Paléo compte les doublons, soit Paléo ne liste pas tous les artistes sur leur site, soit Paléo a déjà comptabilisé 2014.

Parmi ces 2’383 artistes, combien ne sont venus qu’une seule fois?

2’025, soit 85%

Quels sont les artistes qui sont revenus le plus souvent?

J’ai omis ceux qui ont eu 2 occurences parce que la liste des 358 revenants est (visuellement) assez longue. Libre à toi de jouer avec mon code pour voir la liste complète.

Précisions

Pour cet article, je voulais essayer R. Au final, mon choix était stupide puisque je n’ai absolument pas tiré profit des fonctions de statistiques du language. J’aurais en fait tout aussi bien pu utiliser Python par exemple.

J’ai fait l’hypothèse que les listes des artistes du site du Paléo sont correctes. Qu’elles ne contiennent par exemple pas de doublons dus à des fautes de frappe de l’auteur des pages. Il serait possible de vérifier ceci avec des fonctions comme adist qui calcule la distance de Levenshtein entre deux chaînes de caractères (mots).

Le code utilisé pour cet article est listé ci-dessous. Encore une fois, c’est ma première utilisation de R, j’avoue que je n’ai lu aucune documentation, juste fait des recherches Google. C’est mon côté script-kid ma foi.

library(XML)
library(selectr) # use CSS selectors, cf. querySelectorAll below
library(stringr)

#
# COLLECT THE DATA
#

artistsByYear <- list() # list of list. Every year has a list of artists

for(i in 1976:2013) {
    # read the HTML page
    page <- htmlParse(paste("http://yeah.paleo.ch/fr/edition/", i, sep = ""))

    # extract the list of artists
    artists <- querySelectorAll(page, "div.edition-artists-content")

    # strip the HTML tags
    artists <- xmlSApply(artists, xmlValue)

    # remove whitespace
    artists <- str_trim(artists[1])

    # make a list
    artists <- strsplit(artists, split = ", ")

    # add to the overall list
    artistsByYear <- c(artistsByYear, artists)
}

# flatten the list of lists
artists <- unlist(artistsByYear)

#
# DATA "ANALYSIS"
#

#
# HOW MANY ARTISTS HAVE COME TO PALEO?
#

nbArtists <- length(unique(artists))
print("How many artists have come to Paléo?")
print(nbArtists)

#
# HOW MANY ARTISTS HAVE COME ONLY ONCE?
#

# all artists that came several times
returningArtists <- unique(artists[duplicated(artists)])

result <- nbArtists - length(returningArtists)
print("How many artists have come only once?")
print(paste(result, " (", ceiling(result*100/nbArtists), "%)", sep = ""))

#
# WHO CAME MOST FREQUENTLY?
#

# create a data frame
dataFrame <- as.data.frame(table(artists))

# filter out only those who happend more than once
filtered <- dataFrame[dataFrame$Freq > 1,]

# sorting, most frequent first
result <- filtered[with(filtered, order(-Freq)),]

print("Who came most frequently?")
print(result)

#
# WHICH YEARS DID RETURNING ARTISTS PERFORM?
#

# for every artist, find which year he was performing
result <- sapply(returningArtists, function(artistName1) {sapply(which(sapply(artistsByYear, function(artistName2) which(artistName1 == artistName2)) > 0), function(index) 1975 + index)})

print("Which years did returning artists perform?")
print(result)