Tutoriel Python - Usage de la Base sur la Qualité et la Sécurité des Soins (BQSS)#

Ce notebook vise à montrer un usage type dont peut être l’objet BQSS, de façon programmatique grâce au langage Python.

Import des librairies et des données#

Les URLS des données sont récupérable sur la page de la Base sur la Qualité et la Sécurité des Soins sur la plateforme Data Gouv accessible via ce lien. La section Fichiers contient les données disponibles, et pour chaque fichier, une description est présente incluant notamment un URL stable qu’il est recommandé d’utiliser.

La base BQSS adoptant un format clé-valeurs, il est nécessaire de récupérer la table des valeurs d’intérêts (concernant la qualité et la sécurité des soins) ainsi que les métadonnées associées spécifiant ces valeurs et les données caractérisant les établissements de santé via les numéro FINESS.

import numpy as np
import pandas as pd  # version >= 1.4.2

# chargement du fichier valeurs.csv dans un dataframe pandas
valeurs_df = pd.read_csv(
    "https://www.data.gouv.fr/fr/datasets/r/da295ccc-2011-4995-b810-ad1f1a82a83f",
    low_memory=False,
)

# chargement du fichier metadata.csv dans un dataframe pandas
metadata_df = pd.read_csv(
    "https://www.data.gouv.fr/fr/datasets/r/e56fb5a5-5a74-4507-ba77-e0411d4aa234",
    low_memory=False,
)

# chargement du fichier finess.csv dans un dataframe pandas
finess_df = pd.read_csv(
    "https://www.data.gouv.fr/fr/datasets/r/48dadbce-56a8-4dc4-ac51-befcdfd82521",
    low_memory=False,
)

Observation des données#

Il est désormais possible de consulter les informations caractérisant ces données et en observer un échantillon.

Caractérisation des données valeurs_df#

valeurs_df.info()
valeurs_df.sample(n=5, random_state=187)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4473855 entries, 0 to 4473854
Data columns (total 10 columns):
 #   Column         Dtype  
---  ------         -----  
 0   annee          int64  
 1   finess         object 
 2   finess_type    object 
 3   key            object 
 4   value_boolean  object 
 5   value_string   object 
 6   value_integer  float64
 7   value_float    float64
 8   missing_value  object 
 9   value_date     object 
dtypes: float64(2), int64(1), object(7)
memory usage: 341.3+ MB

	annee	finess	finess_type	key	value_boolean	value_string	value_integer	value_float	missing_value	value_date
3359247	2023	330781121	geo	psy_smhosp_cv_2021-cv_classe	NaN	NaN	NaN	NaN	Non concerné	NaN
49629	2021	400780367	geo	filtre_heb_chir	False	NaN	NaN	NaN	NaN	NaN
3638447	2014	420780033	jur	mco_hpp_surmin_2014-surmin_c_den_etbt	NaN	NaN	NaN	60.0	NaN	NaN
1962445	2021	010005239	geo	had_dpa_pcd_2021-pcd_moyenne_regionale	NaN	NaN	NaN	NaN	Non concerné	NaN
4032125	2019	780018727	geo	nb_rep_score_ovs_ajust	NaN	NaN	249.0	NaN	NaN	NaN

Un grand nombre de variables de nature différente sont regroupées dans cette table (d’où la table metadata venant spécifier la nature de chaque variables). Le nom des variables est stocké dans la colonne key.

Afin de pouvoir distinguer les différents types de valeurs (booléen, entier, décimal, chaîne de caractères, valeurs manquantes, dates), des colonnes dédiées leur sont attachées.

Ainsi, pour une variable donnée, un seul type est possible… :

sur l’ensemble de la classe (hormis la colonne missing_value)
pour chaque valeur (justifiant la nature lacunaire de ces colonnes, toutes les colonnes autre que celle prenant la valeur étant à NaN)

Caractérisation des données metadata_df#

metadata_df.info()
metadata_df.sample(n=5, random_state=123)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1000 entries, 0 to 999
Data columns (total 16 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               1000 non-null   object 
 1   title              1000 non-null   object 
 2   description        297 non-null    object 
 3   type               1000 non-null   object 
 4   source             1000 non-null   object 
 5   indicateur         787 non-null    object 
 6   secteur            787 non-null    object 
 7   theme              787 non-null    object 
 8   acronyme           719 non-null    object 
 9   version            728 non-null    float64
 10  variable           728 non-null    object 
 11  annee              728 non-null    float64
 12  ancienne_variable  728 non-null    object 
 13  url_rapport        582 non-null    object 
 14  type_metier        910 non-null    object 
 15  finess_type        1000 non-null   object 
dtypes: float64(2), object(14)
memory usage: 125.1+ KB

	name	title	description	type	source	indicateur	secteur	theme	acronyme	version	variable	annee	ancienne_variable	url_rapport	type_metier	finess_type
131	had_dpa_tdp_2015-tdp_c_etbt	Valeur tenue du dossier patient	NaN	float	IQSS dossier patient	HAD_DPA_TDP_2015	HAD	DPA	TDP	2015.0	tdp_c_etbt	2015.0	tdp_c_etbt	https://www.has-sante.fr/upload/docs/applicati...	resultat	mixte
203	mco_avc_env_2016-resultat_env	Résultat du contrôle expertise neurovasculaire	ENV Résultat du contrôle	classe	IQSS dossier patient	MCO_AVC_ENV_2016	MCO	AVC	ENV	2016.0	resultat_env	2016.0	Resultat_ENV	https://www.has-sante.fr/upload/docs/applicati...	controle	mixte
50	certification_ref_2021_score_objectif_2.3	Objectif 2.3 : Les équipes maîtrisent les risq...	NaN	float	Certification v2021	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	mixte
585	mhs_ias_icsha_2018-icsha_classe	Classe (Indicateur de consommation de solution...	NaN	classe	IQSS questionnaire établissement	MHS_IAS_ICSHA_2018	MHS	IAS	ICSHA	2018.0	icsha_classe	2018.0	classe_ias_icsha_v3_mhs	https://pprod-web.has-sante.fr/upload/docs/app...	classe	mixte
138	had_dpa_tdp_2021-tdp_evolution	Evolution de l'indicateur par rapport au recue...	NaN	int-string	IQSS dossier patient	HAD_DPA_TDP_2021	HAD	DPA	TDP	2021.0	tdp_evolution	2021.0	evol_dpa_tdp_v4_had	https://www.has-sante.fr/upload/docs/applicati...	evolution	mixte

La colonne name de cette table permet de faire la jointure avec la table valeurs_df via la colonne key associée.

Les métadonnées permettent de compléter les informations associées aux variables, en particulier leur type (encodé implicitement dans valeur.csv, voir ci-dessus), leur source (provenant d’origines variées), leur secteur, leur theme et leur acronyme.

Pour une recherche rapide, vous pouvez aussi utiliser directement le fichier metadata.xlsx qui permet de faire des filtres rapides sur les différentes colonnes.

Caractérisation des données finess_df#

finess_df.info()
finess_df.sample(n=5, random_state=123)

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 2264973 entries, 0 to 2264972
Data columns (total 56 columns):
 #   Column                        Dtype  
---  ------                        -----  
 date_export                   object 
 num_finess_et                 object 
 num_finess_ej                 object 
 raison_sociale_et             object 
 raison_sociale_longue_et      object 
 complement_raison_sociale     object 
 complement_distribution       object 
 num_voie                      object 
 type_voie                     object 
 libelle_voie                  object 
complement_voie               object 
lieu_dit_bp                   object 
commune                       float64
departement                   object 
libelle_departement           object 
ligne_acheminement            object 
telephone                     object 
telecopie                     object 
categorie_et                  int64  
libelle_categorie_et          object 
categorie_agregat_et          int64  
libelle_categorie_agregat_et  object 
siret                         float64
code_ape                      object 
code_mft                      float64
libelle_mft                   object 
code_sph                      float64
libelle_sph                   object 
date_ouverture                object 
date_autorisation             object 
date_maj                      object 
num_uai                       object 
coord_x_et                    float64
coord_y_et                    float64
source_coord_et               object 
date_geocodage                object 
region                        int64  
libelle_region                object 
code_officiel_geo             object 
code_postal                   int64  
libelle_routage               object 
libelle_code_ape              object 
ferme_cette_annee             bool   
latitude                      float64
longitude                     float64
libelle_commune               object 
adresse_postale_ligne_1       object 
adresse_postale_ligne_2       object 
raison_sociale_ej             object 
raison_sociale_longue_ej      object 
statut_juridique_ej           float64
libelle_statut_juridique_ej   object 
statut_juridique              object 
type_etablissement            object 
actif_qualiscope              bool   
dernier_enregistrement        bool   
dtypes: bool(3), float64(9), int64(4), object(40)
memory usage: 922.3+ MB

	date_export	num_finess_et	num_finess_ej	raison_sociale_et	raison_sociale_longue_et	complement_raison_sociale	complement_distribution	num_voie	type_voie	libelle_voie	...	adresse_postale_ligne_1	adresse_postale_ligne_2	raison_sociale_ej	raison_sociale_longue_ej	statut_juridique_ej	libelle_statut_juridique_ej	statut_juridique	type_etablissement	actif_qualiscope	dernier_enregistrement
1134383	2006-12-31	590042222	590813044	MAISON DE QUARTIER DU MOULIN	MAISONDE QUARTIER DU MOULIN	NaN	NaN	97	Avenue	DE SUWALKI	...	97 Avenue De Suwalki	59760 GRANDE SYNTHE	MAIRIE DE GRANDE SYNTHE	MAIRIE DE GRANDE SYNTHE	3.0	Commune	Public	Public	False	False
466035	2020-12-31	830009817	830009791	SELARL PHARMACIE CARBONI	SELARL PHARMACIE CARBONI	NaN	NaN	14	Rue	CYRUS HUGUES	...	14 Rue Cyrus Hugues	83500 LA SEYNE SUR MER	SELARL PHARMACIE CARBONI	SELARL PHARMACIE CARBONI	85.0	S.E.L.A.R.L.	Privé	Privé	False	False
519304	2012-12-31	530028612	930019484	ESAT M.L.ET R. BURON	ETABL. ET SERVICE D AIDE PAR LE TRAVAIL - M.L....	NaN	NaN	10	Rue	DE LA GRANGE	...	10 Rue De La Grange	53220 PONTMAIN	LIGUE ADAPT DIMINUE PHYSIQUE TRAVAIL	LIGUE POUR L'ADAPTATION DU DIMINUE PHYSIQUE AU...	61.0	Ass.L.1901 R.U.P.	Privé à but non lucratif	Privé à but non lucratif	False	False
1996209	2011-12-31	440045524	440045516	RELAIS PARENTAL	RELAIS PARENTAL MAISON D ENFANTS A CARACTERE S...	MAISON D ENFTS CARACTERE SOCIAL	NaN	1	Rue	D YPRES	...	1 Rue D Ypres	44600 ST NAZAIRE	CROIX ROUGE FRANCAISE	CROIX ROUGE FRANCAISE DELEGATION LOCALE	60.0	Ass.L.1901 non R.U.P	Privé à but non lucratif	Privé à but non lucratif	False	False
2137772	2015-12-31	350036174	350014999	S.AIDE A DOMICILE CHAP.JANSON	SERVICE D'AIDE MENAGERE A DOMICILE	NaN	C.C.A.S.	15	Rue	DU RELAIS	...	15 Rue Du Relais	35133 LA CHAPELLE JANSON	C.C.A.S.	CENTRE COMMUNAL D'ACTION SOCIALE	17.0	C.C.A.S.	Public	Public	False	False

5 rows × 56 columns

Cette table contient l’ensemble des données Finess historisées. Il y a une ligne par export et par Finess présent à la date de l’export. Pour un même Finess il ya donc très souvent plusieurs lignes.

Les colonnes qui s’avèrent souvent utiles sont:

num_finess_et: numéro finess géographique
num_finess_ej: numéro finess juridique
latitude et longitude: les coordonnées géographiques de l’établissement dans le référentiel WGS84
raison_sociale_et: le nom de l’établissement
dernier_enregistrement: indique si cette ligne est la dernière connue pour le finess en question

Préparation des données#

Récupération des clés associées à des catégories de valeurs#

Les cas d’usages pour lesquels la base est utilisé ne concernent souvant qu’un sous-ensemble des domaines présents dans la base. On peut par exemple vouloir récupérer l’historique complet des IQSS issus du questionnaire patient (ESATIS).

La mécanique pour sélectionner le sous ensemble de données d’interêt est la suivante:

Dans le fichier metadata.csv utiliser la colonne source pour identifier le domaine d’intérêt
Dans le fichier metadata.csv recupérer le nom des variables de la source donnée qui sont stockées dans la colonne name
Parmis ces variables, utiliser les colonne type_metier (pour les IQSS) et/ou description pour sélectionner les variables d’intérêt
Dans le fichier valeurs.csv sélection toutes les lignes dont la colonne key contient une variable du domaine d’intérêt

Ci-dessous un exemple de cette mécanique:

# Affichage des sources de données existantes
metadata_df["source"].value_counts()

source
IQSS dossier patient                665
SAE                                 123
IQSS questionnaire patient           59
IQSS PMSI                            42
Certification v2014                  37
Certification v2021                  22
IQSS questionnaire établissement     21
Certification v2025                  19
Activités ET                         12
Name: count, dtype: int64

# Récupération des noms des variables de certification v2014
certif_14_keys = metadata_df[metadata_df["source"] == "Certification v2014"][
    "name"
]

# Récupération des nom des variables esatis
esatis_keys = metadata_df[
    metadata_df["source"] == "IQSS questionnaire patient"
]["name"]

# Affichage des types métiers certification
# Les variables de certification n'ont pas de type métier
metadata_df.loc[
    metadata_df["name"].isin(certif_14_keys),
    ["name", "description", "type_metier"],
].head(5)

	name	description	type_metier
0	certif_V2014_id_niveau	Code du niveau de certification validé par le ...	NaN
1	certif_date	Date de délibération du collège de la HAS qui ...	NaN
2	certif_V2014_id_demarche	Code interne à la HAS. Il s'agit d'un code per...	NaN
3	certif_V2014_decision_thematique_1	Décision finale pour la thématique : Managemen...	NaN
4	certif_V2014_decision_thematique_2	Décision finale pour la thématique : Qualité d...	NaN

# Affichage des types métiers esatis
metadata_df.loc[
    metadata_df["name"].isin(esatis_keys),
    ["name", "description", "type_metier"],
].head(5)

	name	description	type_metier
806	nb_rep_score_all_rea_ajust	Nombre de réponses concernant la satisfaction ...	effectif_observe
807	score_all_rea_ajust	Note ajustée de satisfaction globale classemen...	score
808	score_all_rea_ajust_dp	Note ajustée de satisfaction globale classemen...	score_arrondi
809	score_ajust_esatis_region_48h	Note ajustée de satisfaction globale des patie...	moyenne_regionale
810	score_ajust_esatis_type_48h	Note ajustée de satisfaction globale des patie...	moyenne_nationale

# Affichage des variables de type score pour esatis
metadata_df.loc[
    metadata_df["name"].isin(esatis_keys)
    & (metadata_df["type_metier"] == "score"),
    ["name", "description", "type_metier"],
]

	name	description	type_metier
807	score_all_rea_ajust	Note ajustée de satisfaction globale classemen...	score
814	score_accueil_rea_ajust	Note ajustée concernant la satisfaction de l'a...	score
816	score_pecinf_rea_ajust	Note ajustée de satisfaction de la prise en ch...	score
818	score_pecmed_rea_ajust	Note ajustée de satisfaction de la prise en ch...	score
820	score_chambre_rea_ajust	Note ajustée de satisfaction de la chambre	score
822	score_repas_rea_ajust	Note ajustée de satisfaction des repas	score
824	score_sortie_rea_ajust	Note ajustée de satisfaction de la sortie	score
825	taux_reco_brut_48h	Pourcentage de patients recommandant certainem...	score
828	score_all_ajust_ca	Score de satisfaction globale ajusté	score
834	score_avh_ajust	Note ajustée de la satisfaction avant l'hospit...	score
836	score_acc_ajust	Note ajustée concernant la satisfaction accuei...	score
838	score_pec_ajust	Note ajustée de la satisfaction de la prise en...	score
840	score_cer_ajust	Note ajustée de la satisfaction chambre et rep...	score
842	score_ovs_ajust	Note ajustée de la satisfaction sortie et reto...	score
844	taux_reco_brut_ca	Pourcentage de patients recommandant certainem...	score
847	score_all_ssr_ajust	Score de satisfaction globale ajusté	score
853	score_accueil_ssr_ajust	Note ajustée concernant la satisfaction au niv...	score
855	score_pec_ssr_ajust	Note ajustée concernant la satisfaction au niv...	score
857	score_lieu_ssr_ajust	Note ajustée concernant la satisfaction au niv...	score
859	score_repas_ssr_ajust	Note ajustée concernant la satisfaction au niv...	score
861	score_sortie_ssr_ajust	Note ajustée concernant la satisfaction au niv...	score
863	taux_reco_brut_ssr	Pourcentage de patients recommandant certainem...	score

Isolation des domaines de données#

Afin de pouvoir préparer et analyser un domaine de données, il est nécessaire de l’isoler en vue de traitements décrits plus bas. Pour des raisons de volumétrie, le présent tutoriel se restreint aux données esatis. Mais il est naturellement possible d’effectuer ces analyses sur un ensemble de domaines de données, voire sur tous les domaines (les mêmes opérations décrites ici peuvent leur être appliquées).

# Isolation du domaine de données esatis
esatis_df = valeurs_df[valeurs_df["key"].isin(esatis_keys)]

# Isolation du domaine de données certification v2014, pour illustration
certif_df = valeurs_df[valeurs_df["key"].isin(certif_14_keys)]

Pivot de la table esatis#

Actuellement, le format clé-valeur de la base induit que chaque valeur de chaque variable pour chacun des établissements est associée à une ligne. Nous souhaitons pourvoir avoir un regroupement des valeurs pour chaque établissement.

Pour cela, nous devons effectuer les opérations suivantes (cf. cellule de code ci-dessous) :

Effectuer un pivot à la table pour avoir une colonne par variable (par type), chaque ligne représentant un établissement pour une année donnée (puisque certaines valeurs sont collectées annuellement)
Chaque classe de valeur n’ayant qu’un type de valeur acceptable (hormis le type missing_value), toutes les colonnes des autres types seront remplis de NaN => il s’agit donc également de supprimer ces colonnes inutiles
Les colonnes des valeurs manquantes pour une clé sont fusionnées avec la colonne de valeurs de la clé correspondante pour ne pas perdre l’information correspondante

# Les colonnes de valeurs sont pivotées selon le colonne key, pour chaque triplet (annee, finess, finess_type)
esatis_df = esatis_df.pivot(
    index=["annee", "finess", "finess_type"], columns="key"
)

# Toutes les colonnes de valeurs liées à un type incorrect vis-à-vis du type attendu sont remplies par des NaN.
# Il s'agit ici de supprimer ces colonnes qui ne portent aucune information exploitable
esatis_df = esatis_df.dropna(axis=1, how="all")

# Les colonnes associées au type missing_value sont fusionnées avec leur colonne de valeur respective
# Cette étape est optionnelle si les valeurs manquantes sont sans intérêts pour l'étude
if "missing_value" in esatis_df:
    esatis_df = esatis_df.combine_first(esatis_df["missing_value"]).drop(
        columns="missing_value"
    )

# Les colonnes qui résultent de ces opérations ont plusieurs niveaux qui sont ici applatis pour n'en avoir plus qu'un
esatis_df = esatis_df.droplevel(0, axis=1)
# Les données d'années, de finess et de finess_type utilisées jusqu'ici comme index sont basculées en colonnes dans la table.
esatis_df = esatis_df.reset_index()

Un échantillon de la table résultante peut être observée ci-dessous, en notant qu’il manque des données pour de nombreux établissements sur certaines années car certains indicateurs n’étaient pas calculés à ce moment là.

esatis_df.sample(n=5, random_state=123)

key	annee	finess	finess_type	classement_48h	classement_ca	classement_ssr	evolution_48h	evolution_ca	evolution_ssr	nb_reco_brut_48h	...	score_pec_ssr_ajust	score_pecinf_rea_ajust	score_pecmed_rea_ajust	score_repas_rea_ajust	score_repas_ssr_ajust	score_sortie_rea_ajust	score_sortie_ssr_ajust	taux_reco_brut_48h	taux_reco_brut_ca	taux_reco_brut_ssr
6858	2021	860000025	geo	B	A	NaN	NaN	NaN	NaN	335.0	...	NaN	81.24	81.43	59.19	NaN	64.86	NaN	55.2	73.4	NaN
14871	2025	950000695	geo	NaN	NaN	Données insuffisantes	NaN	NaN	NaN	NaN	...	Données insuffisantes	NaN	NaN	NaN	Données insuffisantes	NaN	Données insuffisantes	NaN	NaN	Données insuffisantes
1992	2017	750300014	geo	Données insuffisantes	NaN	NaN	4-Non calculable	NaN	NaN	NaN	...	NaN	Données insuffisantes	Données insuffisantes	Données insuffisantes	NaN	Données insuffisantes	NaN	NaN	NaN	NaN
13802	2025	490002037	geo	B	A	NaN	-1.0	1.0	NaN	354.0	...	NaN	82.99	82.04	60.41	NaN	68.12	NaN	59.6	68.1	NaN
1811	2017	620101501	geo	B	NaN	NaN	Non calculable	NaN	NaN	NaN	...	NaN	80.75	82.17	47.51	NaN	68.02	NaN	NaN	NaN	NaN

5 rows × 62 columns

Exploitation des données#

Dans cette section, une analyse simple sur le domaine esatis est effectuée à des fins d’illustration quant à la valorisation de ces données.

Le cas d’usage de cette analyse est l’observation de l’évolution du positionnement national d’un établissement identifié (il s’agit ici de l’établissement associé au finess n°060000478) vis-à-vis des établissements de même catégorie (il s’agit ici de la catégorie Centres Hospitaliers, associée au code 1102) sur l’indicateur score_all_ajust_ca (correspondant au “score de satisfaction globale ajusté” en chirurgie ambulatoire).

Pour ce faire, il faut :

associer aux données esatis les données finess nécessaires à la jointure et à la catégorisation des établissements
calculer le classement de l’établissement (son rang absolu et le pourcentage associé) pour chaque année
représenter la distribution des établissements pour chaque année en positionnant l’établissement étudié

Ces étapes sont réalisées dans les deux sections ci-dessous.

Finalisation de la préparation des données#

# On ne prend que les informations des finess les plus récentes pour éviter les doublons à la jointure
finess_df = finess_df.loc[finess_df["dernier_enregistrement"]]

# Jointure entre les données esatis et les données Finess restreintes aux agrégats de catégories d'établissement
df = finess_df[
    [
        "num_finess_et",
        "categorie_agregat_et",
        "raison_sociale_et",
        "departement",
    ]
].merge(esatis_df, left_on="num_finess_et", right_on="finess", how="inner")
df.sample(5, random_state=123)

	num_finess_et	categorie_agregat_et	raison_sociale_et	departement	annee	finess	finess_type	classement_48h	classement_ca	classement_ssr	...	score_pec_ssr_ajust	score_pecinf_rea_ajust	score_pecmed_rea_ajust	score_repas_rea_ajust	score_repas_ssr_ajust	score_sortie_rea_ajust	score_sortie_ssr_ajust	taux_reco_brut_48h	taux_reco_brut_ca	taux_reco_brut_ssr
6858	560003980	1102	GHBS - HOPITAL DE KERBERNES	56	2025	560003980	geo	NaN	NaN	Données insuffisantes	...	Données insuffisantes	NaN	NaN	NaN	Données insuffisantes	NaN	Données insuffisantes	NaN	NaN	Données insuffisantes
14870	620012948	1107	CLINIQUE MAHAUT DE TERMONDE	62	2024	620012948	geo	NaN	NaN	Données insuffisantes	...	Données insuffisantes	NaN	NaN	NaN	Données insuffisantes	NaN	Données insuffisantes	NaN	NaN	Données insuffisantes
1992	170000061	1102	CSS DU CHATEAU MARLONGES - CHAMBON	17	2025	170000061	geo	NaN	NaN	Données insuffisantes	...	Données insuffisantes	NaN	NaN	NaN	Données insuffisantes	NaN	Données insuffisantes	NaN	NaN	Données insuffisantes
13801	940300163	1107	CLINIQUE LES TOURNELLES	94	2025	940300163	geo	Données insuffisantes	NaN	Données insuffisantes	...	Données insuffisantes	Données insuffisantes	Données insuffisantes	Données insuffisantes	Données insuffisantes	Données insuffisantes	Données insuffisantes	Données insuffisantes	NaN	Données insuffisantes
1811	140025123	1107	CRF DE CAEN	14	2023	140025123	geo	NaN	NaN	C	...	76.78	NaN	NaN	NaN	58.35	NaN	61.76	NaN	NaN	53.1

5 rows × 66 columns

# Seuls les centres hospitaliers sont conservés
df = df[df["categorie_agregat_et"] == 1102]

# Pour cette étude, seules les colonnes suivantes sont nécessaires pour la suite : annee, taux_reco_brut_ca, finess
# Par ailleurs, cet indicateur n'est collecté qu'a partir de 2019.
df = df.loc[
    df["annee"] >= 2019,
    [
        "annee",
        "finess",
        "raison_sociale_et",
        "departement",
        "score_all_ajust_ca",
    ],
]

# Les établissements sans valeurs pour l'indicateur sont retirés
df = df.dropna()

Un extrait de la table correspondante peut être observée :

df.sample(5, random_state=123)

	annee	finess	raison_sociale_et	departement	score_all_ajust_ca
2409	2019	220000343	CENTRE HOSPITALIER GUINGAMP	22	72.85
1986	2021	170000038	CENTRE HOSPITALIER JONZAC	17	77.96
169	2020	020000535	CH CHAUNY	02	Données insuffisantes
10291	2019	740781224	HOPITAUX DU MONT BLANC SITE SALLANCHES	74	75.98
12358	2022	840018337	CH D'AVIGNON CHIRURGIE SITE APT	84	Données insuffisantes

Visualisation des résultats#

es_finess = "060000478"
axes = df.plot.hist(by="annee", bins=20, figsize=(10, 15), legend=False)
for i, annee in enumerate(np.sort(df["annee"].unique())):
    axes[i].set_xlim(0, 100)
    axes[i].set_ylim(0, 37)
    axes[i].set_ylabel("Fréquences", fontsize=12)
    df_tmp = (
        df[df["annee"] == annee]
        .sort_values("score_all_ajust_ca", ascending=False)
        .reset_index()
    )
    value = df_tmp.loc[
        df_tmp["finess"] == es_finess, "score_all_ajust_ca"
    ].values[0]
    axes[i].axvline(value, color="red")
    axes[i].text(value - 3.2, -4.5, str(value), color="red", fontsize=12)
    axes[i].text(
        value + 1, 38, "finess n°" + str(es_finess), color="red", fontsize=12
    )
    rank = df_tmp[df_tmp["finess"] == es_finess].index.item() + 1
    card_finess = df_tmp.shape[0]
    rank_ratio = 100 * rank / card_finess
    axes[i].text(
        5,
        30,
        f"classement : {rank} / {card_finess}\nposition (%) : {rank_ratio:,.1f}",
        backgroundcolor="lightgrey",
        color="red",
        fontsize=12,
        fontweight="roman",
    )
axes[2].set_xlabel(
    "score de satisfaction globale ajusté",
    fontsize=12,
    labelpad=15,
)

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
Cell In[16], line 2
      1 es_finess = "060000478"
----> 2 axes = df.plot.hist(by="annee", bins=20, figsize=(10, 15), legend=False)
      3 for i, annee in enumerate(np.sort(df["annee"].unique())):
      4     axes[i].set_xlim(0, 100)

File ~/.cache/pypoetry/virtualenvs/bqss-9TtSrW0h-py3.11/lib/python3.11/site-packages/pandas/plotting/_core.py:1409, in PlotAccessor.hist(self, by, bins, **kwargs)
   1349 def hist(
   1350     self, by: IndexLabel | None = None, bins: int = 10, **kwargs
   1351 ) -> PlotAccessor:
   1352     """
   1353     Draw one histogram of the DataFrame's columns.
   1354 
   (...)   1407         >>> ax = df.plot.hist(column=["age"], by="gender", figsize=(10, 8))
   1408     """
-> 1409     return self(kind="hist", by=by, bins=bins, **kwargs)

File ~/.cache/pypoetry/virtualenvs/bqss-9TtSrW0h-py3.11/lib/python3.11/site-packages/pandas/plotting/_core.py:1030, in PlotAccessor.__call__(self, *args, **kwargs)
   1027             label_name = label_kw or data.columns
   1028             data.columns = label_name
-> 1030 return plot_backend.plot(data, kind=kind, **kwargs)

File ~/.cache/pypoetry/virtualenvs/bqss-9TtSrW0h-py3.11/lib/python3.11/site-packages/pandas/plotting/_matplotlib/__init__.py:71, in plot(data, kind, **kwargs)
     69         kwargs["ax"] = getattr(ax, "left_ax", ax)
     70 plot_obj = PLOT_CLASSES[kind](data, **kwargs)
---> 71 plot_obj.generate()
     72 plot_obj.draw()
     73 return plot_obj.result

File ~/.cache/pypoetry/virtualenvs/bqss-9TtSrW0h-py3.11/lib/python3.11/site-packages/pandas/plotting/_matplotlib/core.py:499, in MPLPlot.generate(self)
    497 @final
    498 def generate(self) -> None:
--> 499     self._compute_plot_data()
    500     fig = self.fig
    501     self._make_plot(fig)

File ~/.cache/pypoetry/virtualenvs/bqss-9TtSrW0h-py3.11/lib/python3.11/site-packages/pandas/plotting/_matplotlib/core.py:698, in MPLPlot._compute_plot_data(self)
    696 # no non-numeric frames or series allowed
    697 if is_empty:
--> 698     raise TypeError("no numeric data to plot")
    700 self.data = numeric_data.apply(type(self)._convert_to_ndarray)

TypeError: no numeric data to plot

⚠️ Attention : L’analyse et l’interprétation des résultats des IQSS nécessite de bien prendre connaissance de leur définition.

Nous pouvons constater que l’établissement considéré dans cette étude a:

Amélioré son score (de 77.73 à 80.78)
Amélioré sa place dans la distribution de 54.6ème percentile à 24.3ème percentile