🌐 [translation-sync] Read test_pwt.csv from data-lectures (Track D)

.translate/state/pandas.md.yml

@@ -1,6 +1,6 @@
-source-sha: 02e57a5befc2a9a081019edc748aba15e4b2f02a
-synced-at: "2026-07-14"
-model: claude-opus-4-8
-mode: NEW
+source-sha: 55c87c9fdbdb522866c5b6bbdc65c073941d7f16
+synced-at: "2026-08-18"
+model: claude-sonnet-5
+mode: UPDATE
 section-count: 5
-tool-version: 0.15.0
+tool-version: 0.26.0

.translate/state/polars.md.yml

@@ -1,6 +1,6 @@
-source-sha: fb389e7722b4f70fce7835bd773df8eea2de9744
-synced-at: "2026-08-04"
+source-sha: 55c87c9fdbdb522866c5b6bbdc65c073941d7f16
+synced-at: "2026-08-18"
 model: claude-sonnet-5
 mode: UPDATE
 section-count: 6
-tool-version: 0.24.0
+tool-version: 0.26.0

lectures/pandas.md

@@ -160,7 +160,7 @@ En substance, un `DataFrame` dans pandas est analogue à une feuille de calcul E
 
 Ainsi, c'est un outil puissant pour représenter et analyser des données naturellement organisées en lignes et en colonnes, souvent avec des indices descriptifs pour les lignes et les colonnes individuelles.
 
-Regardons un exemple qui lit des données à partir du fichier CSV `pandas/data/test_pwt.csv`, tiré des [Penn World Tables](https://www.rug.nl/ggdc/productivity/pwt/pwt-releases/pwt-7.0).
+Regardons un exemple qui lit des données à partir du fichier CSV `test_pwt.csv`, tiré des [Penn World Tables](https://www.rug.nl/ggdc/productivity/pwt/pwt-releases/pwt-7.0).
 
 Le jeu de données contient les indicateurs suivants
 
@@ -176,7 +176,7 @@ Le jeu de données contient les indicateurs suivants
 Nous allons le lire depuis une URL en utilisant la fonction `read_csv` de `pandas`.
 
 ```{code-cell} ipython3
-df = pd.read_csv('https://raw.githubusercontent.com/QuantEcon/lecture-python-programming/main/lectures/_static/lecture_specific/pandas/data/test_pwt.csv')
+df = pd.read_csv('https://github.com/QuantEcon/data-lectures/raw/main/lectures/test_pwt.csv')
 type(df)
 ```
 
@@ -357,10 +357,10 @@ df.loc[complexCondition]
 La capacité d'effectuer des modifications dans les dataframes est importante pour générer un jeu de données propre en vue d'analyses futures.
 
 
-**1.** Nous pouvons utiliser `df.where()` de manière pratique pour « conserver » les lignes que nous avons sélectionnées et remplacer les autres lignes par n'importe quelles autres valeurs
+**1.** Nous pouvons utiliser `df.where()` de manière pratique pour « conserver » les lignes que nous avons sélectionnées et remplacer les autres lignes par `NaN`
 
 ```{code-cell} ipython3
-df.where(df.POP >= 20000, False)
+df.where(df.POP >= 20000)
 ```
 
 **2.** Nous pouvons simplement utiliser `.loc[]` pour spécifier la colonne que nous voulons modifier, et attribuer des valeurs
@@ -388,7 +388,7 @@ df.apply(update_row, axis=1)
 
 ```{code-cell} ipython3
 # Arrondit tous les nombres décimaux à 2 décimales
-df.map(lambda x : round(x,2) if type(x)!=str else x)
+df.map(lambda x : round(x,2) if not isinstance(x, str) else x)
 ```
 
 **Application : Imputation des valeurs manquantes**
@@ -411,8 +411,8 @@ Nous pouvons utiliser à nouveau la méthode `.map()` pour remplacer toutes les
 ```{code-cell} ipython3
 # remplace toutes les valeurs NaN par 0
 def replace_nan(x):
-    if type(x)!=str:
-        return  0 if np.isnan(x) else x
+    if not isinstance(x, str):
+        return  0 if pd.isna(x) else x
     else:
         return x
 
@@ -812,4 +812,4 @@ plt.tight_layout()
 ```{solution-end}
 ```
 
-[^mung]: Wikipédia définit le « munging » comme le nettoyage de données d'une forme brute vers une forme structurée et épurée.
+[^mung]: Wikipédia définit le « munging » comme le nettoyage de données d'une forme brute vers une forme structurée et épurée.

lectures/polars.md

@@ -174,9 +174,7 @@ Comme dans {doc}`pandas`, travaillons avec les données des [Penn World Tables](
 Nous les lisons à l'aide de `pl.read_csv`
 
 ```{code-cell} ipython3
-url = ('https://raw.githubusercontent.com/QuantEcon/'
-       'lecture-python-programming/main/lectures/_static/'
-       'lecture_specific/pandas/data/test_pwt.csv')
+url = 'https://github.com/QuantEcon/data-lectures/raw/main/lectures/test_pwt.csv'
 df = pl.read_csv(url)
 df
 ```
@@ -360,9 +358,7 @@ Au lieu d'exécuter chaque opération immédiatement, le mode paresseux collecte
 
 ```{code-cell} ipython3
 # Rechargement du jeu de données
-url = ('https://raw.githubusercontent.com/QuantEcon/'
-       'lecture-python-programming/main/lectures/_static/'
-       'lecture_specific/pandas/data/test_pwt.csv')
+url = 'https://github.com/QuantEcon/data-lectures/raw/main/lectures/test_pwt.csv'
 df_full = pl.read_csv(url)
 ```
 
@@ -438,9 +434,7 @@ import pandas as pd
 import time
 
 # Petit jeu de données -- Penn World Tables (~8 lignes)
-url = ('https://raw.githubusercontent.com/QuantEcon/'
-       'lecture-python-programming/main/lectures/_static/'
-       'lecture_specific/pandas/data/test_pwt.csv')
+url = 'https://github.com/QuantEcon/data-lectures/raw/main/lectures/test_pwt.csv'
 small_pd = pd.read_csv(url)
 small_pl = pl.read_csv(url)
 ```
@@ -480,13 +474,13 @@ une moyenne pondérée groupée.
 
 ```{code-cell} ipython3
 n = 5_000_000
-np.random.seed(42)
+rng = np.random.default_rng(42)
 
-groups = np.random.choice(['A', 'B', 'C', 'D'], n)
-values = np.random.randn(n)
-weights = np.random.rand(n)
-extra1 = np.random.randn(n)
-extra2 = np.random.randn(n)
+groups = rng.choice(['A', 'B', 'C', 'D'], n)
+values = rng.standard_normal(n)
+weights = rng.random(n)
+extra1 = rng.standard_normal(n)
+extra2 = rng.standard_normal(n)
 
 big_pd = pd.DataFrame({
     'group': groups, 'value': values,