01 Une chaîne d'imports
Le jeu ne lit pas les sources en direct. Une commande, make import-stations, télécharge les fichiers ouverts dans un dossier local, puis enchaîne des étapes qui enrichissent chacune un même fichier de données, stations.json, versionné avec le code. À chaque déploiement, ce fichier est chargé en base. Je peux donc relire, dans une revue de code, chaque station qui change à cause d'une nouvelle version d'une source.
import_idfm stations, lignes, communes, arrondissements, parcs, palais
import_branches ordre des stations et fourches de chaque ligne
import_ridership fréquentation estimée des stations sans chiffre
import_dvf prix au m² autour de chaque station
import_votes vote et abstention aux législatives
import_population part des jeunes et des plus de 65 ans
import_places musées et universités
import_exits nombre de sorties
02 Les sources
| Source | Éditeur | Licence | Ce que j'y prends |
|---|---|---|---|
| Arrêts et lignes, GTFS, accès, validations | Île-de-France Mobilités | ODbL | Stations, lignes, couleurs, ordre, sorties, fréquentation |
| Arrondissements | Ville de Paris (Paris Data) | ODbL | Les 20 contours |
| Coordonnées des parcs et des palais | Wikidata | CC0 | Distances aux parcs et aux lieux de pouvoir |
| Demandes de valeurs foncières | Etalab (DGFiP) | Licence ouverte | Prix au m² |
| Législatives 2024, contours des bureaux de vote | Ministère de l'Intérieur, Etalab | Licence ouverte | Vote, abstention |
| Population par IRIS | INSEE, IGN | Licence ouverte | Jeunes, retraités |
| Musées de France | Ministère de la Culture | Licence ouverte | Musées |
| Sites d'enseignement supérieur | Ministère de l'Enseignement supérieur | Licence ouverte | Universités |
| Wikipédia en français | Wikimédia | CC BY-SA 4.0 | Histoire des stations, faits des listes écrites à la main |
Et une couche à part : le fichier de base avec lequel le jeu a démarré, qui fournit encore une partie des attributs : terminus, niveau, rive de la Seine, année d'ouverture, stations qui portent le nom d'une personne, d'une bataille ou d'une couleur, distances aux grands monuments, et la fréquentation annuelle de la RATP. Remplacer cette couche par des sources de première main reste à faire.
03 Stations, lignes et arrondissements
Le point de départ est le jeu « arrêts et lignes » d'Île-de-France Mobilités (IDFM), exporté trois fois en CSV par son API, avec un filtre sur le mode : métro, RER et tramway. Chaque ligne du fichier est une ligne de transport qui dessert un point d'arrêt, avec sa commune et son code INSEE :
stop_id;stop_name;shortname;stop_lon;stop_lat;nom_commune;code_insee
IDFM:22101;La Défense;1;2.2370151812077856;48.89213543098125;Puteaux;92062
IDFM:463170;Esplanade de la Défense;1;2.2500587372950065;48.88800894593748;Puteaux;92062
Chaque ligne est validée par un modèle Pydantic, qui renomme les colonnes, convertit les coordonnées en nombres et corrige les noms au passage :
class Stop(BaseModel):
"""One row of the IDFM CSV: a line serving a station."""
model_config = ConfigDict(extra="ignore", str_strip_whitespace=True)
id: str = Field(alias="stop_id") # the stop's id in the IDFM GTFS
name: str = Field(alias="stop_name")
line: str = Field(alias="shortname")
lon: float = Field(alias="stop_lon")
lat: float = Field(alias="stop_lat")
commune: str = Field(alias="nom_commune")
insee: str = Field(default="", alias="code_insee")
@field_validator("name")
@classmethod
def _name_fix(cls, name: str) -> str:
return NAME_FIXES.get(name, name)
NAME_FIXES corrige sept noms qu'IDFM écrit sans accents ou sans tirets, comme Montparnasse Bienvenüe. Les points sont ensuite regroupés par nom pour former les stations, et le département se lit dans les deux premiers chiffres du code INSEE : 92062, Puteaux, est dans les Hauts-de-Seine.
L'arrondissement vient des contours de Paris Data, un GeoJSON de 20 polygones. Chacun porte son numéro dans c_ar :
{
"type": "Feature",
"geometry": {"type": "Polygon", "coordinates": [[[2.364685889119478, 48.88436904340793], ...]]},
"properties": {"c_ar": 10, "c_arinsee": 75110, "l_ar": "10ème Ardt", "l_aroff": "Entrepôt", ...}
}
Chaque point d'arrêt est testé contre les 20 polygones. C'est le test classique du lancer de rayon : une demi-droite part du point vers la droite, et chaque fois qu'elle traverse le bord du polygone, le point change de côté. Un nombre impair de traversées, et il est dedans.
def _in_ring(point: Point, ring: Ring) -> bool:
"""Ray casting point-in-polygon test."""
x, y = point
inside = False
for (x1, y1), (x2, y2) in pairwise([*ring, ring[0]]):
if (y1 > y) != (y2 > y) and x < (x2 - x1) * (y - y1) / (y2 - y1) + x1:
inside = not inside
return inside
Une station dont les quais tombent dans deux arrondissements garde les deux : 47 stations sont à cheval, ce qui fait un critère à part entière.
04 L'ordre des stations et les fourches
Le GTFS d'IDFM, environ 150 Mo, décrit chaque trajet de chaque rame. Je regroupe les trajets par ligne et par sens en suites de stations, et j'écarte celles que font moins de 5 % des rames : retours au dépôt, terminus partiels. Il reste les vraies fourches, comme celles des lignes 7 et 13, et les boucles à sens unique, comme la 10 autour d'Auteuil ou la 7bis vers Place des Fêtes. C'est ce qui dessine le plan vertical de chaque ligne sur les pages des stations.
05 La fréquentation, en partie estimée
La fréquentation annuelle vient des chiffres de la RATP, repris du fichier de base. Mais il manque des chiffres : les 17 stations ouvertes depuis 2022 (prolongements des lignes 4, 11, 12 et 14) et toutes les gares du RER.
IDFM publie l'historique des validations par point d'arrêt. Une validation n'est pas un voyageur : les correspondances sans badge, la fraude, les passes. Je calcule donc un facteur de conversion, la médiane du rapport entre les chiffres connus et les validations, sur les stations qui n'ont qu'un seul point d'arrêt et pas de RER :
ratios: list[float] = []
for name in sorted(metro_names - rail_names):
zdaids = zones.metro_zdaids(name)
zdcs = {zones.zdc_of[zdaid] for zdaid in zdaids}
if len(zdcs) != 1 or "railStation" in zones.types[next(iter(zdcs))]:
continue
total = station_total(validations, station_keys(validations, zones, zdaids, metro=True))
if figures.get(name) and total:
ratios.append(figures[name] / total)
return round(statistics.median(ratios), FACTOR_DIGITS), len(ratios)
Sur 282 stations, le facteur vaut 0,736 pour 2025. Je l'ai recoupé avec la fréquentation 2024 des gares publiée par la SNCF : 0,70 en médiane sur 155 gares communes. L'ordre de grandeur tient. La médiane plutôt que la moyenne évite qu'une station atypique, comme une gare où beaucoup entrent sans valider, tire tout le facteur.
Une station déjà chiffrée n'est jamais écrasée par une estimation. Et ces chiffres ne servent pas qu'aux critères : ils pèsent aussi dans le calcul de la rareté des réponses.
06 Le prix au m²
Les demandes de valeurs foncières (DVF) listent toutes les ventes immobilières, dans un CSV par année et par département, déjà géolocalisé par Etalab. Une quarantaine de colonnes ; celles qui comptent ici :
id_mutation,date_mutation,nature_mutation,valeur_fonciere,code_postal,type_local,surface_reelle_bati,longitude,latitude
2024-1193288,2024-01-08,Vente,356521.75,75003,Dépendance,,2.356315,48.867544
2024-1193288,2024-01-08,Vente,356521.75,75003,Dépendance,,2.356315,48.867544
2024-1193288,2024-01-08,Vente,356521.75,75003,Appartement,29,2.356315,48.867544
Le piège est là : un acte de vente (une « mutation ») répète son prix total sur chaque ligne, une par lot. Cet appartement de 29 m² vendu avec deux dépendances apparaît trois fois, avec le même prix. Additionner les lignes triplerait le prix ; diviser le total par la surface de chaque lot n'aurait aucun sens. Je regroupe donc les lignes par id_mutation, et je ne garde que les actes qui contiennent exactement un appartement et aucune maison ni local :
mutations: dict[str, list[dict[str, str]]] = defaultdict(list)
for row in rows:
if row["nature_mutation"] == "Vente":
mutations[row["id_mutation"]].append(row)
sales: list[Sale] = []
for mutation in mutations.values():
types = [row["type_local"] for row in mutation]
if types.count("Appartement") != 1 or OTHER_DWELLINGS.intersection(types):
continue
...
if surface >= MIN_SURFACE and MIN_PRICE_PER_M2 <= price / surface <= MAX_PRICE_PER_M2:
sales.append(Sale(lat, lon, price / surface))
Le prix d'une station est la médiane des ventes de 2023 à 2025 à moins de 500 m de ses quais, et seulement s'il y en a au moins 30. Rue du Bac arrive en tête, à près de 16 800 € le m².
07 Élections, population, musées
Les trois couches suivantes suivent la même idée : placer chaque donnée en un point, puis regarder ce qui tombe à moins de 500 m d'une station.
- Le vote. Chaque bureau de vote est placé au centre de son contour (97 % en ont un). Les voix des législatives 2024 sont réparties en deux blocs, gauche et droite avec le centre ; une station penche d'un côté au-delà de 60 %. Sous 1 000 voix, pas de verdict.
- La population. Les IRIS, des quartiers de 2 000 habitants environ, sont placés au centre de leur contour. Sous 1 000 habitants autour d'une station, pas de chiffre.
- Les musées et les universités. Le fichier du ministère liste tous les sites : bibliothèques, centres sportifs, services médicaux. Je ne garde que les lieux d'enseignement. Et il est en retard : il place encore la Sorbonne Nouvelle à Censier, alors qu'elle enseigne à Nation depuis 2022. J'ai ajouté ce campus à la main.
08 Les parcs et les palais
Pour « près du jardin du Luxembourg » ou « dans les couloirs du pouvoir », il faut les coordonnées de 6 parcs et de 10 lieux de pouvoir : l'Élysée, Matignon, l'Assemblée… Je les avais d'abord tapées à la main. Elles viennent maintenant de Wikidata, par la propriété P625, à partir de l'identifiant de chaque lieu. Rien n'a bougé de plus de 134 m, mais deux stations sont entrées dans les couloirs du pouvoir : Franklin D. Roosevelt, à 500 m pile, et Quai de la Gare.
09 Les sorties
Le nombre de sorties vient des accès publiés par IDFM : chaque accès vers la rue qui mène à un point d'arrêt de la station. Il a fallu suivre les zones d'arrêt : IDFM range une partie des sorties de Gare du Nord sous la gare SNCF, et Opéra partage les siennes avec la gare RER d'Auber. Saint-Lazare et Havre-Caumartin en ont 21 ; Picpus et Abbesses, une seule.
10 Ce que j'ai écrit à la main
Quinze critères n'ont aucune source structurée : stations fantômes, stations renommées, sortie à gauche, bars, salles de concert, stations qui honorent une femme, un écrivain, un militaire… Leurs listes sont tenues en base, dans l'admin, station par station, avec une note et une source, à partir de Wikipédia et de la RATP. Un fichier de départ permet de les recréer sur une base vide, et un test vérifie que chaque nom qu'il contient existe bien.
L'origine du nom des 321 stations est aussi un texte écrit à la main, vérifié contre Wikipédia, avec un lien vers l'article. La section « Histoire » de chaque page, elle, est lue directement dans Wikipédia, en respectant une limite de 4 requêtes par seconde, et créditée sous sa licence.
11 Les critères qui en sortent
Un critère n'est jouable que s'il compte au moins 2 stations et au plus 70 % du réseau. Les seuils (prix, fréquentation, sorties) sont choisis sur la distribution des valeurs, pour viser une trentaine de stations pour les critères décalés.
| Famille | Critères | Exemples | Sources |
|---|---|---|---|
| Réseau | 27 | Lignes, RER, tram, terminus, sorties | IDFM, fichier de base |
| Lieu | 53 | Arrondissements, près d'un monument, prix, vote | Paris Data, Wikidata, DVF, Intérieur |
| Histoire | 7 | Ouverture, fréquentation, fantômes, renommées | Fichier de base, IDFM, liste à la main |
| Anecdote | 15 | Personnalité, bataille, couleur, femme, abstention | Fichier de base, liste à la main |
| Nom | 37 | Lettres, mots, longueur, nombres | Le nom lui-même |
Le RER a son propre catalogue de 86 critères : il n'a ni prix, ni vote, ni anecdotes, mais il a ses départements, ses communes et ses aéroports.
12 Ce qui reste fragile
- Une partie des attributs vient encore du fichier de base, dont je ne connais pas toutes les sources.
- La fréquentation des stations récentes et du RER est une estimation, à partir des validations.
- Sur 331 entrées écrites à la main, 125 ne sont pas encore marquées vérifiées.
Si tu repères une erreur, ou si tu connais une meilleure source, la page des idées de critères est faite pour ça.