Nettoyer et vérifier un jeu de données avant publication

Journalisme & communication · Bachelor 3

Provenance, doublons, formats et traçabilité : fiabiliser un jeu de données en rédaction.

Introduction

Un jeu de données n'est jamais neutre ni propre à la livraison. Les fichiers obtenus auprès d'une administration, d'un office fédéral ou d'une plateforme de données ouvertes contiennent des doublons, des cellules vides, des unités différentes et des erreurs de saisie.

Le journalisme de données impose donc une discipline : conserver le fichier brut, documenter chaque transformation, comprendre la source et interroger le producteur des données avant de tirer une conclusion.

Ce deck présente les étapes de nettoyage, les outils courants comme les tableurs et OpenRefine, les pièges des formats (dates, encodage, séparateurs) et les questions de vérification à poser avant publication.

Objectifs d'apprentissage

Décrire un flux de travail de nettoyage reproductible
Identifier les erreurs fréquentes dans un jeu de données
Documenter la provenance et les limites d'une source
Poser les questions de vérification au producteur des données

Concepts clés

Fichier brut intact: On travaille toujours sur une copie ; l'original reste inchangé pour permettre la vérification.
Provenance: Qui a produit les données, quand, avec quelle méthode, pour quel but : ces éléments conditionnent leur usage.
Nettoyage traçable: Chaque opération (fusion, suppression, correction) est notée pour que le travail soit reproductible.
Interviewer les données: On cherche les valeurs aberrantes, les ruptures de séries et les définitions ambiguës, puis on interroge la source.

Conclusion

Le nettoyage est une phase de vérification : il révèle les limites des données et les questions à poser à la source. Un journaliste de données consigne ses opérations, garde l'original et assume ses choix méthodologiques.

Cette rigueur protège la crédibilité d'un article chiffré face aux critiques et aux erreurs.

Cartes

Pourquoi conserver le fichier brut ?: Pour pouvoir revenir à l'original et prouver que les corrections ne modifient pas les faits.
Qu'est-ce que la provenance d'un jeu de données ?: L'origine, l'auteur, la date, la méthode de collecte et le but de production.
Que contient un dictionnaire de données ?: La description des colonnes, des unités, des codes et des définitions.
Quel outil permet de regrouper des variantes d'un même nom ?: OpenRefine, grâce à ses fonctions de regroupement (clustering).
Pourquoi faut-il vérifier les formats de date ?: Une date 03.04.2024 peut être lue différemment selon les conventions et les outils.
Quels problèmes causent les caractères mal encodés ?: Accents corrompus, noms de communes illisibles, doublons apparents.
Comment repérer une valeur aberrante ?: Par un tri, un graphique simple ou une comparaison avec une autre source.
Que faire face à un doute sur une définition ?: Contacter l'office ou l'organisme producteur et obtenir une réponse documentée.
Pourquoi publier la méthode avec l'article ?: Pour permettre aux lecteurs et aux pairs de contrôler et reproduire l'analyse.

Glossaire

Jeu de données: Ensemble structuré d'observations organisé en lignes et colonnes.
CSV: Format texte où les valeurs sont séparées par un caractère comme la virgule ou le point-virgule.
OpenRefine: Logiciel libre de nettoyage et de transformation de données tabulaires.
Doublon: Enregistrement répété qui fausse les comptages.
Valeur manquante: Cellule sans information, qui peut avoir un sens différent de zéro.
Open data: Données publiées librement pour réutilisation.