Évaluation

Durée : 1 heure
Tout document autorisé

Test de Ruffier-Dickson

Le test de Ruffier-Dickson est un test physique qui permet d'évaluer l'aptitude d'une personne à la pratique sportive. Ce test peut être, par exemple, pratiqué sous le contrôle d'un médecin afin d'obtenir un certificat médical de non contre-indication à une pratique sportive.

Le test se déroule en trois étapes:

  1. après un repos (couché) de quelques minutes, une prise de pouls du sujet donne la valeur P0 (en pulsations par minute)
  2. le sujet doit ensuite se lever et effectuer 30 flexions complètes de jambes en 45 secondes, bras tendus devant lui. Le pouls P1 est pris immédiatement après
  3. puis le sujet s'allonge à nouveau, et exactement une minute après la fin des flexions on relève une dernière fois sa fréquence cardiaque P2

L'indice de Ruffier-Dickson Id permet de quantifier l'adaptation à l'effort. Il se calcule de la manière suivante :

Id = [ ( P1 - 70 ) + 2 × ( P2 - P0 ) ] / 10

Intervalle Adaptation à l'effort
Id = 0 excellente
0 < Id ≤ 2 très bonne
2 < Id ≤ 4 bonne
4 < Id ≤ 6 moyenne
6 < Id ≤ 8 faible
8 < Id ≤ 10 très faible
Id > 10 mauvaise

Exercice 1

Écrivez un script ruffier-dickson.py qui calcule l'indice de Ruffier-Dickson à partir de la saisie au clavier des féquences cardiaques P0, P1 et P2 et affiche une interprétation en fonction de sa valeur. 



#############################
#                           #
#  Test de Ruffier-Dickson  #
#                           #
#############################


P0 (ppm) ? 60
P1 (ppm) ? 80
P2 (ppm) ? 62

Id = 1.4
moyenne adaptation à l'effort
Correction 
print('\n\n')
print('#############################')
print('#                           #')
print('#  Test de Ruffier-Dickson  #')
print('#                           #')
print('#############################')
print('\n')

p0 = float(input('P0 (ppm) ? '))
p1 = float(input('P1 (ppm) ? '))
p2 = float(input('P2 (ppm) ? '))

id = ( (p1 - 40) + 2*(p2 - p0) ) / 10

if id==0:
    interpretation = 'excellente'
elif id<=2:
    interpretation = 'très bonne'
elif id<=4:
    interpretation = 'bonne'
elif id<=6:
    interpretation = 'moyenne'
elif id<=8:
    interpretation = 'faible'
elif id<=10:
    interpretation = 'très faible'
else:
    interpretation = 'mauvaise'

print('\nId =', id)
print(interpretation, 'adaptation à l\'effort')

Le fichier L2.xlsx contient différents relevés effectués par et sur des étudiants de L2 STAPS.

Télécharger le fichier

Exercice 2

Écrivez un script l2_statistics.py qui calcule quelques statistiques descriptives à partir des données du fichier Excel L2.xlsx. 



Statistiques descriptives du fichier L2.xlsx
============================================

171 étudiants recensés

Âge moyen 19.5 ± 1.0

30 % de femmes
70 % d'hommes

54 % de licenciés en club
46 % de non licenciés
Correction 
import pandas as pd

df = pd.read_excel('L2.xlsx')

total = len(df.index)

female = df[ df['Sexe'] == 'femme' ]
female_percentage = round(len(female.index) * 100 / total)

licensed = df[ df['Licencié'] == 'oui' ]
licensed_percentage = round(len(licensed.index) * 100 / total)

print('\n\nStatistiques descriptives du fichier L2.xlsx')
print('============================================\n')
print(total, 'étudiants recensés')
print('\nÂge moyen', round(df['Age'].mean(), 1), '±', round(df['Age'].std(), 1))
print()
print(female_percentage, '% de femmes')
print(100-female_percentage, '% d\'hommes')
print()
print(licensed_percentage, '% de licenciés en club')
print(100-licensed_percentage, '% de non licenciés')

Exercice 3

Écrivez un script ruffier-dickson-excel.py qui, après avoir chargé le fichier L2.xlsx, calcule l'indice de Ruffier-Dickson pour tous les étudiants et stocke le résultat dans une nouvelle colonne nommée Id.

Le nouveau DataFrame sera sauvegardé dans un fichier Excel L2_Id.xlsx

Attention

Le fichier contient des erreurs de retranscription : pour certaines lignes, les valeurs de P0 et P1 ont été interverties. Vous veillerez à utiliser les bonnes valeurs pour le calcul de l'indice de Ruffier-Dickson.
Correction 
import pandas as pd

df = pd.read_excel('L2.xlsx')

for i in df.index:
  if df['P0 (ppm)'][i] < df['P1 (ppm)'][i]:
    df.loc[i, 'Id'] = ( (df['P1 (ppm)'][i] - 40) + 2*(df['P2 (ppm)'][i] - df['P0 (ppm)'][i]) ) / 10
  else:
    df.loc[i, 'Id'] = ( (df['P0 (ppm)'][i] - 40) + 2*(df['P2 (ppm)'][i] - df['P1 (ppm)'][i]) ) / 10

writer = pd.ExcelWriter('L2_Id.xlsx', engine = 'xlsxwriter')
df.to_excel(writer, index = False)
writer.save()

Exercice 4

À partir des données du fichier L2_Id.xlsx, écrivez un script ruffier-dickson-best-worst.py qui affiche le genre et le statut (licencié ou non) des étudiants ayant respectivement le meilleur et le pire indice de Ruffier-Dickson. 


Meilleur indice de Ruffier-Dickson : homme - 19 ans - non licencié
Pire indice de Ruffier-Dickson     : femme - 21 ans - non licenciée

Bonus

Pensez à l'accord de l'adjectif licencié.
Correction 
import pandas as pd

df = pd.read_excel('L2_Id.xlsx')

id_min = df['Id'].idxmin()

gender = df['Sexe'][id_min]
age = df['Age'][id_min]
if df['Licencié'][id_min] == 'oui':
  licensed = 'licencié'
else:
  licensed = 'non licencié'
if gender == 'femme':
  licensed += 'e'
    
print('Meilleur indice de Ruffier-Dickson :', gender, '-', age, 'ans -', licensed)

id_max = df['Id'].idxmax()

gender = df['Sexe'][id_max]
age = df['Age'][id_max]
if df['Licencié'][id_max] == 'oui':
  licensed = 'licencié'
else:
  licensed = 'non licencié'
if gender == 'femme':
  licensed += 'e'
    
print('Pire indice de Ruffier-Dickson     :', gender, '-', age, 'ans -', licensed)

Exercice 5

Pour finir, écrivez un script ruffier-dickson-mean.py qui compare les moyennes et les écarts-types de l'indice de Ruffier-Dickson pour les licenciés et non licenciés. 


Licenciés     : 9.3 ± 3.3
Non licenciés : 9.6 ± 3.2
Représentation graphique des indices de Ruffier-Dickson des L2 STAPS
Correction 
import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_excel('L2_Id.xlsx')

licensed = df[ df['Licencié'] == 'oui' ]
non_licensed = df[ df['Licencié'] == 'non' ]

print('Licenciés     :', round(licensed['Id'].mean(), 1), '±', round(licensed['Id'].std(), 1))
print('Non licenciés :', round(non_licensed['Id'].mean(), 1), '±', round(non_licensed['Id'].std(), 1))

plt.plot(licensed['Id'], 'g', label='licenciés')
plt.plot(non_licensed['Id'], 'r', label='non licenciés')
plt.legend()
plt.show()