Skip to content

Utilisation du MDS (multidimensional scaling) de sklearn sur les données de l'assemblées nationales.

Notifications You must be signed in to change notification settings

Mathis-A/reduction-dimension-politique

Repository files navigation

Représentations de l'Assemblée Nationale et de la similarité entre nos députés

Est-ce que les députés votent comme leur groupe politique ?

Pour répondre à cette question, j'ai utilisé les scrutins de l'assemblée nationale depuis les élections législatives de 2017 jusqu'à décembre 2021 (environ 4000 votes). On peut calculer la similarité des votes entre deux députés en comptant le pourcentage de votes concordants de ces deux députés. A partir de la matrice de similarité, on peut utiliser un algorithme d'embedding ("plongement") pour positionner les députés dans le plan XY. On peut ensuite constater visuellement les groupes politiques, les écarts (et rapprochements) entre ces groupes ainsi que les écarts entre des députés précis et leur famille politique.

Résultats

On arrive donc a reconstituer les partis politiques. J'ai essayé de les aligner globalement avec la représentation de l'échiquier politique, mais leurs positions absolues n'importent que peu.

On note que LREM, les républicains, et la gauche ont sont peu étalés, mis à part certains députés éloignés. EELV est globalement proche de LREM, malgré certains écarts : notemment Delphine Batho assez proche de la gauche (assez cohérent). UDR et le rassemblement national sont très étalés (attention, le RN n'a que quelques députés à l'AN).

La taille des points correspond à la présence des députés à l'AN : si les députés sont très présents (et ont voté à un grand nombre de scrutins), leur point sera plus grand. On peut voir le nombre de votes auquel chaque député a participé en cliquant sur le point correspondant.

Les résultats sont exposés dans les fichiers html (interactifs !) :

Notes

  • Le jeu de donnée semble comporter certaines erreurs mineures.
  • Les axes n'importent pas (ils ne sont d'ailleurs pas nommés), seules les distances des points entre eux ont du sens.
  • L'algorithme essaie de rapprocher les points entre eux : ce n'est qu'un compromis, et certaines distances peuvent se retrouver assez différentes sur les représentations.
    • Exemple : trois députés de gauche apparaissent proche de LR, cela ne veut pas dire qu'ils votent à droite, cf la représentation 3D.

About

Utilisation du MDS (multidimensional scaling) de sklearn sur les données de l'assemblées nationales.

Topics

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages