{"id":1013,"date":"2023-06-27T17:14:52","date_gmt":"2023-06-27T17:14:52","guid":{"rendered":"https:\/\/javierladino.com\/fr\/?post_type=rara-portfolio&p=1013"},"modified":"2023-07-10T07:26:55","modified_gmt":"2023-07-10T07:26:55","slug":"exploration-des-prenoms-sans-genre-dans-les-naissances-a-nantes-2001-2022","status":"publish","type":"rara-portfolio","link":"https:\/\/javierladino.com\/fr\/portfolio\/exploration-des-prenoms-sans-genre-dans-les-naissances-a-nantes-2001-2022\/","title":{"rendered":"Exploration des pr\u00e9noms sans genre dans les naissances \u00e0 Nantes (2001-2022)"},"content":{"rendered":"\n

Ces derni\u00e8res ann\u00e9es, le choix de pr\u00e9noms non sexu\u00e9s est devenu de plus en plus courant dans diff\u00e9rentes cultures. Ces noms permettent de remettre en question les conventions traditionnelles et de promouvoir l’\u00e9galit\u00e9 des sexes. Dans cette publication, nous explorerons les noms sans genre utilis\u00e9s dans les naissances dans la ville de Nantes, en France, de 2001 \u00e0 2022. Nous analyserons une base de donn\u00e9es de data.nantesmetropole.fr<\/a> contenant les noms des gar\u00e7ons et des filles n\u00e9s au cours de cette p\u00e9riode, en identifiant les noms qui n’ont pas d’assignation de genre sp\u00e9cifique. Rejoignez-nous dans ce voyage \u00e0 travers la diversit\u00e9 des pr\u00e9noms et d\u00e9couvrez quels pr\u00e9noms sans genre sont populaires \u00e0 Nantes depuis plus de deux d\u00e9cennies.<\/p>\n\n\n\n

Analyse ETL :<\/strong><\/p>\n\n\n\n

En utilisant une base de donn\u00e9es qui recueille des informations sur les noms des nouveau-n\u00e9s \u00e0 Nantes, nous cr\u00e9ons un ETL (Extract, Transform, Load) en Python pour analyser et visualiser les donn\u00e9es pr\u00e9sent\u00e9es au format .CSV, o\u00f9 \u00e0 partir de la biblioth\u00e8que Pandas nous capturons les informations initiales qui nous sont pr\u00e9sent\u00e9es par l’ensemble : Types et quantit\u00e9 de variables, nombre d’enregistrements dans l’ensemble de donn\u00e9es et r\u00e9vision des donn\u00e9es manquantes.<\/p>\n\n\n\n

Nous utiliserons les biblioth\u00e8ques pandas, matplotlib et plotly pour effectuer l’analyse et la visualisation des donn\u00e9es. Assurez-vous que ces biblioth\u00e8ques sont install\u00e9es avant d’ex\u00e9cuter le code. Vous pouvez les installer \u00e0 l’aide du gestionnaire de paquets pip. Par exemple, lancez pip install pandas matplotlib plotly<\/strong> dans votre environnement pour les installer.<\/p>\n\n\n\n

import pandas as pd\nimport matplotlib.pyplot as plt\nimport plotly.express as px\n\n# Extraction des donn\u00e9es\ndata = pd.read_csv('nantes_prenoms.csv')<\/code><\/pre>\n\n\n\n
Exploration initiale du jeu de donn\u00e9es :<\/strong><\/p>\n\n\n\n
Apr\u00e8s avoir import\u00e9 les donn\u00e9es, nous extrayons les informations de base avec Pandas : nombre d’enregistrements, nombre de colonnes et types de variables.<\/p>\n\n\n\n
data.info()\n<class 'pandas.core.frame.DataFrame'>\nRangeIndex: 6037 entries, 0 to 6036\nData columns (total 6 columns):\n #   Column                  Non-Null Count  Dtype \n---  ------                  --------------  ----- \n 0   Commune concern\u00e9e       6037 non-null   object\n 1   Code INSEE              6037 non-null   int64 \n 2   Sexe relatif au pr\u00e9nom  6037 non-null   object\n 3   Pr\u00e9nom                  6037 non-null   object\n 4   Nombre d'occurrences    6037 non-null   int64 \n 5   Ann\u00e9e                   6037 non-null   int64 \ndtypes: int64(3), object(3)\nmemory usage: 283.1+ KB\nNone<\/code><\/pre>\n\n\n\n
Nous renommons les colonnes \u00e0 utiliser pour supprimer les accents, les espaces et unifier l’utilisation des majuscules et des minuscules :<\/p>\n\n\n\n
# Transformation des donn\u00e9es\ndata = data.rename(columns={'Sexe relatif au pr\u00e9nom':'sexe','Pr\u00e9nom':'prenom',\"Nombre d'occurrences\":'naissances', 'Ann\u00e9e':'annee'})<\/code><\/pre>\n\n\n\n
Nous v\u00e9rifions si le cadre de donn\u00e9es contient des donn\u00e9es nulles :<\/p>\n\n\n\n
data.isnull().sum()\nCommune concern\u00e9e    0\nCode INSEE           0\nsexe                 0\nprenom               0\nnaissances           0\nannee                0\ndtype: int64<\/code><\/pre>\n\n\n\n
A la d\u00e9couverte des pr\u00e9noms sans genre \u00e0 Nantes :<\/strong><\/p>\n\n\n\n
Au fil des ann\u00e9es, nous avons observ\u00e9 une tendance croissante vers le choix de pr\u00e9noms sans genre \u00e0 Nantes. De 2001 \u00e0 2022, plusieurs noms qui ne sont pas exclusivement associ\u00e9s \u00e0 un sexe sp\u00e9cifique ont \u00e9t\u00e9 enregistr\u00e9s. Certains de ces noms sans genre ont gagn\u00e9 en popularit\u00e9 et sont devenus des choix populaires pour les parents qui souhaitent que leurs enfants aient une identit\u00e9 de genre non binaire.<\/p>\n\n\n\n
Gr\u00e2ce au regroupement, au filtrage et au d\u00e9compte final, nous avons identifi\u00e9 les noms qui sont associ\u00e9s \u00e0 un sexe f\u00e9minin et \u00e0 un sexe masculin. Nous pouvons supposer que ces noms sont choisis par des parents d\u00e9sireux de rompre avec les normes traditionnelles et de permettre \u00e0 leurs enfants de choisir librement leur identit\u00e9 de genre \u00e0 l’avenir.<\/p>\n\n\n\n
# Analyse et visualisation des donn\u00e9es\n\n# Filtrer les noms sans genre (apparaissent \u00e0 la fois dans le genre masculin et f\u00e9minin)\nnames_without_gender = data.groupby('prenom').filter(lambda x: x['sexe'].nunique() == 2)\n\n# Compter les occurrences de noms sans genre\nnames_count = names_without_gender.groupby('prenom')['naissances'].sum().reset_index()\n\n# Diagramme \u00e0 barres des noms sans genre\nfig_names_without_gender = px.bar(names_count, x='prenom', y='naissances', title='Noms non genr\u00e9s utilis\u00e9s')\nfig_names_without_gender.update_layout(xaxis_title='prenom', yaxis_title='Nombre de naissances')\nfig_names_without_gender.show()<\/code><\/pre>\n\n\n\n
\"\"<\/figure>\n\n\n\n
Dans ce code, nous lisons d’abord le fichier CSV et stockons les donn\u00e9es dans le cadre de donn\u00e9es dataframe. Ensuite, nous filtrons les noms qui apparaissent \u00e0 la fois dans le genre masculin et f\u00e9minin \u00e0 l’aide de la fonction groupby() et de filter(). Ensuite, nous comptons les occurrences de chaque nom sans le genre en utilisant groupby() et sum(). Enfin, nous cr\u00e9ons un diagramme \u00e0 barres \u00e0 l’aide de la fonction px.bar() de Plotly Express, o\u00f9 l’axe des x repr\u00e9sente les noms et l’axe des y le nombre de naissances associ\u00e9es \u00e0 chaque nom. Chaque barre a une couleur unique pour faciliter l’identification et mettre en \u00e9vidence la diversit\u00e9 des pr\u00e9noms non sexu\u00e9s utilis\u00e9s dans la ville.<\/p>\n\n\n
\"\"<\/figure>\n\n\n
# <\/strong>Noms utilis\u00e9s pour les deux sexes\ncommon_names_both_genders2 = data.groupby('prenom')['sexe'].nunique()\ncommon_names_both_genders2 = common_names_both_genders2[common_names_both_genders2 == 2].index\ncommon_names_both_genders2\n9 <\/strong>r\u00e9sultats: ['Alix', 'Camille', 'Charlie', 'Eden', 'Lou', 'Louison', 'Noa', 'Sasha', 'Swann']<\/strong><\/pre>\n\n\n\n
Apr\u00e8s avoir atteint notre objectif initial d’obtenir les 9 noms les plus utilis\u00e9s pour les deux sexes \u00e0 Nantes, nous pouvons maintenant revenir \u00e0 l’exploration de la base de donn\u00e9es et r\u00e9soudre quelques questions de base pour nous aider dans notre analyse.<\/p>\n\n\n\n
Quel est le nombre total d’enregistrements ?<\/strong><\/p>\n\n\n\n
La base de donn\u00e9es contient 6037 enregistrements de naissances<\/strong> entre 2001 et 2022.<\/p>\n\n\n\n
data.shape\n(6037, 6)<\/code><\/pre>\n\n\n\n
Combien y a-t-il de noms uniques ?<\/strong><\/p>\n\n\n\n
Il y a 731 noms uniques utilis\u00e9s dans la base de donn\u00e9es.<\/p>\n\n\n\n
data['prenom'].nunique()\n731<\/code><\/pre>\n\n\n\n
Si vous voulez voir la liste compl\u00e8te, cliquez ici :<\/p>\n\n\n\n
data['prenom'].unique()<\/code><\/pre>\n\n\n\n
Nous avons visualis\u00e9 avec Plotly le nombre de noms uniques par ann\u00e9e, l’ann\u00e9e 2003 \u00e9tant la plus faible avec 183 naissances et 2022 (ann\u00e9e de la pand\u00e9mie) avec 316 naissances.<\/p>\n\n\n\n
\"\"<\/figure>\n\n\n\n
Quelle est la r\u00e9partition totale par sexe ?<\/strong><\/p>\n\n\n\n
Entre 2001 et 2022, plus de gar\u00e7ons (3110)<\/strong> que de filles (2927)<\/strong> sont n\u00e9s dans la ville de Nantes.<\/p>\n\n\n\n
data['sexe'].value_counts()\nM    3110\nF    2927\nName: sexe, dtype: int64<\/code><\/pre>\n\n\n\n
Nous pouvons g\u00e9n\u00e9rer un diagramme circulaire comme visualisation :<\/p>\n\n\n\n
gender_distribution = data['sexe'].value_counts()\nfig_gender = px.pie(names=gender_distribution.index, values=gender_distribution.values, title='R\u00e9partition des enfants par sexe')\nfig_gender.show()<\/code><\/pre>\n\n\n\n
\"\"<\/figure>\n\n\n\n
Afficher la r\u00e9partition par sexe pour chaque ann\u00e9e :<\/strong><\/p>\n\n\n\n
fig_gender_year = px.histogram(data, x='annee', color='sexe', text_auto=True, title='R\u00e9partition des sexes par ann\u00e9e')\nfig_gender_year.show()<\/code><\/pre>\n\n\n\n
\"\"<\/figure>\n\n\n\n
Quels sont les noms les plus utilis\u00e9s dans la base de donn\u00e9es ?<\/strong><\/p>\n\n\n\n
Sur les 731 noms uniques<\/strong> pr\u00e9sents dans la base de donn\u00e9es, nous avons filtr\u00e9 les 10 premiers en fonction du nombre de naissances. Nous les avons \u00e9galement visualis\u00e9s en fonction de leur sexe, dans le but principal d’identifier les noms non binaires, en mettant en \u00e9vidence \u00ab\u00a0Camille<\/strong>\u00ab\u00a0, un nom sans genre class\u00e9 deuxi\u00e8me avec 1147 enregistrements, apr\u00e8s \u00ab\u00a0Louise<\/strong>\u00ab\u00a0, un nom f\u00e9minin class\u00e9 premier avec 1158 enregistrements.<\/p>\n\n\n\n
# Regrouper par nom et par sexe et compter le nombre d'occurrences.\nnames_count = data.groupby(['prenom', 'sexe'])['naissances'].sum().reset_index()\n\n# Filtrer uniquement les noms les plus utilis\u00e9s\ntop_names = names_count.groupby('prenom')['naissances'].sum().nlargest(10).index\n\n# Filtrer les donn\u00e9es uniquement pour les noms les plus utilis\u00e9s\ntop_names_data = names_count[names_count['prenom'].isin(top_names)]\n\tprenom\tsexe\tnaissances\n80\tArthur\tM\t1143\n121\tCamille\tF\t890\n122\tCamille\tM\t257\n211\tEmma\tF\t1102\n281\tHugo\tM\t1024\n327\tJules\tM\t1037\n402\tLouis\tM\t1104\n404\tLouise\tF\t1158\n415\tLucas\tM\t1122\n436\tL\u00e9o\tM\t977\n452\tManon\tF\t975\n\n# Diagramme \u00e0 barres diff\u00e9renci\u00e9 par couleur selon le sexe\nfig_top_names = px.bar(top_names_data, x='prenom', y='naissances', color='sexe', text_auto=True, title='Pr\u00e9noms les plus utilis\u00e9s (diff\u00e9renci\u00e9s par sexe)')\nfig_top_names.update_layout(xaxis_title='Pr\u00e9noms', yaxis_title='Nombre de naissances')\nfig_top_names.show()<\/code><\/pre>\n\n\n\n
\"\"<\/figure>\n\n\n\n
Quels sont les pr\u00e9noms les plus utilis\u00e9s pour chaque ann\u00e9e ?<\/strong><\/p>\n\n\n\n
Nous pouvons visualiser le pr\u00e9nom qui occupe la premi\u00e8re position pour chaque ann\u00e9e de la base de donn\u00e9es, o\u00f9 \u00ab\u00a0Camille<\/strong>\u00a0\u00bb domine sa pr\u00e9sence dans 6 ann\u00e9es diff\u00e9rentes, suivi de \u00ab\u00a0Charlie<\/strong>\u00a0\u00bb (5 ans), \u00ab\u00a0Louison<\/strong>\u00a0\u00bb (4 ans) et \u00ab\u00a0Noa<\/strong>\u00a0\u00bb (3 ans).<\/p>\n\n\n\n
popular_names = data.groupby('annee')['prenom'].agg(lambda x: x.value_counts().index[0])\nfig_popular_names = px.bar(x=popular_names.index, y=popular_names.values,  text_auto=True, color=popular_names, color_continuous_scale = 'viridis', title='Pr\u00e9nom le plus populaire par an')\nfig_popular_names.show()<\/code><\/pre>\n\n\n\n
\"\"<\/figure>\n\n\n\n
Pourcentage de noms selon le sexe au fil du temps<\/strong><\/p>\n\n\n\n
Un diagramme \u00e0 barres empil\u00e9es montre le pourcentage de noms par sexe au fil du temps, en utilisant le bleu pour le sexe masculin \u00ab\u00a0M\u00a0\u00bb et l’orange pour le sexe f\u00e9minin \u00ab\u00a0F\u00a0\u00bb :<\/p>\n\n\n\n
\"\"<\/figure>\n\n\n\n
Dans ce code, apr\u00e8s avoir calcul\u00e9 le pourcentage de pr\u00e9noms par sexe et par ann\u00e9e, nous attribuons des couleurs aux sexes \u00e0 l’aide d’une cartographie des couleurs. Ensuite, nous cr\u00e9ons un diagramme \u00e0 barres empil\u00e9es en utilisant go.Bar() de Plotly Graph Objects. Nous it\u00e9rons sur les genres et ajoutons une barre pour chaque genre avec des couleurs diff\u00e9rentes. Enfin, nous mettons \u00e0 jour la disposition du graphique avec un titre, les titres des axes et affichons le graphique g\u00e9n\u00e9r\u00e9 par Plotly.<\/p>\n\n\n\n
Ex\u00e9cutez le code et vous pourrez interagir avec le graphique \u00e0 barres empil\u00e9es montrant le pourcentage de pr\u00e9noms par genre au fil du temps.<\/p>\n\n\n\n
# Calculer le pourcentage de pr\u00e9noms par sexe et par ann\u00e9e\npercentage_data = data.groupby(['annee', 'sexe']).size() \/ data.groupby('annee').size() * 100\npercentage_data = percentage_data.reset_index(name='percentage')\n\n# Attribuer des couleurs aux sexes\ncolor_map = {'M': 'blue', 'F': 'orange'}\npercentage_data['Color'] = percentage_data['sexe'].map(color_map)\n\n# Cr\u00e9er un diagramme \u00e0 barres empil\u00e9es du pourcentage de pr\u00e9noms par sexe au fil du temps\n\nfig = go.Figure()\n\nfor sexe in ['M', 'F']:\n    fig.add_trace(go.Bar(\n        x=percentage_data[percentage_data['sexe'] == sexe]['annee'],\n        y=percentage_data[percentage_data['sexe'] == sexe]['pourcentage'],\n        name=sexe,\n        marker_color=color_map[sexe]\n    ))\n\nfig.update_layout(\n    title='Pourcentage de noms de piles par sexe \u00e0 Nantes',\n    xaxis_title='Ann\u00e9e',\n    yaxis_title='Pourcentage',\n    barmode='stack'\n)\nfig.show()<\/code><\/pre>\n\n\n\n
Lien vers la visualisation interactive dans Plotly<\/a><\/p>\n\n\n\n
Tendance des pr\u00e9noms sans genre pour les prochaines ann\u00e9es<\/strong><\/p>\n\n\n\n
Gr\u00e2ce au commentaire de Line Ton That<\/a>, qui s’interrogeait sur l’impact de Camille dans tout cela, si son nom ne serait plus \u00e0 la mode dans les ann\u00e9es \u00e0 venir, ou si nous verrons la m\u00eame tendance dans les noms sans genre : j’ai utilis\u00e9 la biblioth\u00e8que scikit-learn (sklearn) pour calculer l’\u00e9volution des noms apparaissant dans les deux sexes en fonction du nombre total de naissances par nom et par ann\u00e9e. Ensuite, visualisez l’\u00e9volution de ces noms \u00e0 l’aide d’un diagramme \u00e0 barres avec la biblioth\u00e8que Plotly Express (px).<\/p>\n\n\n\n
\"\"<\/figure>\n\n\n\n
Lien vers la visualisation interactive dans Plotly<\/a><\/p>\n\n\n\n
Voici le flux d’ex\u00e9cution du code \u00e9tape par \u00e9tape :<\/p>\n\n\n\n
from sklearn.linear_model import LinearRegression\n\n# Filtrer les noms apparaissant dans les deux sexes\nboth_sex_names = data.groupby('prenom').filter(lambda x: len(x['sexe'].unique()) == 2)\n\n# Calculer le nombre total de naissances par nom et par ann\u00e9e\nnacimientos_por_nombre_y_a\u00f1o = both_sex_names.groupby(['prenom', 'annee'])['naissances'].sum().reset_index()\n\n# Analyse et visualisation des donn\u00e9es\n\n# Cr\u00e9er un DataFrame avec les tendances futures\ntendencias_futuras = pd.DataFrame(columns=['prenom', 'tendencia'])\n\n# Calculer la tendance pour chaque nom\nfor nombre in both_sex_names['prenom'].unique():\n    nombre_data = nacimientos_por_nombre_y_a\u00f1o[nacimientos_por_nombre_y_a\u00f1o['prenom'] == prenom]\n    \n    # Utiliser la r\u00e9gression lin\u00e9aire pour calculer la tendance\n    X = nombre_data['annee'].values.reshape(-1, 1)\n    y = nombre_data['naissances'].values\n    model = LinearRegression()\n    model.fit(X, y)\n    tendencia = model.coef_[0]\n    \n    future_trends = future_trends.append({'prenom': nombre, 'tendencia': tendencia}, ignore_index=True)\n\n# Trier les noms par tendance d\u00e9croissante\nfuture_trends = future_trends.sort_values(by='tendencia', ascending=False)\n\n# Afficher la tendance des noms en utilisant les deux sexes\nfig = px.bar(tendencias_futuras, x='prenom', y='tendencia', labels={'tendencia': 'Tendencia'},\n             title='Tendance des noms utilisant les deux genres dans les ann\u00e9es \u00e0 venir')\nfig.update_layout(xaxis_title='Prenom', yaxis_title='Tendance')\nfig.show()<\/code><\/pre>\n\n\n\n
En bref, ce code filtre les noms qui apparaissent dans les deux sexes, calcule la tendance \u00e0 l’aide d’une r\u00e9gression lin\u00e9aire et visualise la tendance des noms \u00e0 l’aide d’un diagramme \u00e0 barres. Cela nous permet d’obtenir des informations sur les noms dont la popularit\u00e9 a augment\u00e9 ou diminu\u00e9 au fil des ans.<\/p>\n\n\n\n
Apr\u00e8s avoir effectu\u00e9 la r\u00e9gression lin\u00e9aire, nous observons une tendance \u00e0 la baisse pour le pr\u00e9nom \u00ab\u00a0Camille<\/strong>\u00a0\u00bb pour les prochaines ann\u00e9es, et une augmentation exponentielle pour le pr\u00e9nom \u00ab\u00a0Charlie<\/strong>\u00a0\u00bb par rapport aux autres pr\u00e9noms non genr\u00e9s.<\/p>\n\n\n\n
Conclusion:<\/strong><\/p>\n\n\n\n
L’analyse des pr\u00e9noms non sexu\u00e9s utilis\u00e9s \u00e0 la naissance \u00e0 Nantes nous montre l’\u00e9volution et l’acceptation de la diversit\u00e9 des genres dans la soci\u00e9t\u00e9. Les parents optent pour des pr\u00e9noms qui ne se limitent pas \u00e0 une identit\u00e9 de genre unique, donnant ainsi \u00e0 leurs enfants la libert\u00e9 d’explorer et de d\u00e9finir leur propre identit\u00e9 \u00e0 l’avenir. Cette tendance refl\u00e8te une plus grande ouverture et acceptation de la diversit\u00e9 dans la soci\u00e9t\u00e9, ainsi qu’un d\u00e9sir de promouvoir l’\u00e9galit\u00e9 des sexes d\u00e8s le d\u00e9but de la vie.<\/p>\n\n\n\n
Il est int\u00e9ressant de noter qu’en comparant les pr\u00e9noms les plus populaires par ann\u00e9e, on retrouve 5 des 9 pr\u00e9noms non sexu\u00e9s trouv\u00e9s au d\u00e9but de l’exploration (Camille, Charlie, Louison, Noa et Sasha<\/strong>). Cela t\u00e9moigne de la d\u00e9cision ferme prise par les parents de pr\u00e9nommer leurs fils et leurs filles de mani\u00e8re non binaire, qu’il s’agisse d’une tendance ou d’un ph\u00e9nom\u00e8ne adaptatif pour les nouvelles g\u00e9n\u00e9rations.<\/p>\n\n\n\n
Il convient de mentionner le pr\u00e9nom \u00ab\u00a0Camille<\/strong>\u00ab\u00a0, en tant que premier choix de pr\u00e9noms non genr\u00e9s, et sa pr\u00e9sence dans le classement g\u00e9n\u00e9ral de la base de donn\u00e9es des gar\u00e7ons et des filles n\u00e9s \u00e0 Nantes au cours des deux derni\u00e8res d\u00e9cennies.<\/p>\n\n\n\n
Ces r\u00e9sultats \u00e9volueront certainement en fonction des donn\u00e9es de la ville et du pays, alors si quelqu’un souhaite partager ses r\u00e9sultats pour les comparer \u00e0 ceux de Nantes, n’h\u00e9sitez pas \u00e0 nous contacter pour continuer \u00e0 apprendre de mani\u00e8re collaborative.<\/p>\n\n\n\n
<\/p>\n\n\n\n
R\u00e9f\u00e9rences :<\/strong><\/p>\n\n\n\n
    \n
  1. Donn\u00e9es sur les naissances \u00e0 Nantes (2001-2022) : Source des donn\u00e9es : Open Data Nantes M\u00e9tropole<\/a><\/li>\n\n\n\n
  2. Plotly Express: (https:\/\/plotly.com\/python\/plotly-express<\/a><\/li>\n\n\n\n
  3. Photo Rene Asmussen de Pexels<\/a><\/li>\n<\/ol>\n","protected":false},"excerpt":{"rendered":"
    Ces derni\u00e8res ann\u00e9es, le choix de pr\u00e9noms non sexu\u00e9s est devenu de plus en plus courant dans diff\u00e9rentes cultures. Ces noms permettent de remettre en question les conventions traditionnelles et de promouvoir l’\u00e9galit\u00e9 des sexes. Dans cette publication, nous explorerons les noms sans genre utilis\u00e9s dans les naissances dans la ville de Nantes, en France, … <\/p>\n","protected":false},"author":1,"featured_media":1016,"comment_status":"closed","ping_status":"closed","template":"","meta":{"ngg_post_thumbnail":0},"rara_portfolio_categories":[27],"class_list":["post-1013","rara-portfolio","type-rara-portfolio","status-publish","has-post-thumbnail","hentry","rara_portfolio_categories-dataviz"],"_links":{"self":[{"href":"https:\/\/javierladino.com\/fr\/wp-json\/wp\/v2\/rara-portfolio\/1013","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/javierladino.com\/fr\/wp-json\/wp\/v2\/rara-portfolio"}],"about":[{"href":"https:\/\/javierladino.com\/fr\/wp-json\/wp\/v2\/types\/rara-portfolio"}],"author":[{"embeddable":true,"href":"https:\/\/javierladino.com\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/javierladino.com\/fr\/wp-json\/wp\/v2\/comments?post=1013"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/javierladino.com\/fr\/wp-json\/wp\/v2\/media\/1016"}],"wp:attachment":[{"href":"https:\/\/javierladino.com\/fr\/wp-json\/wp\/v2\/media?parent=1013"}],"wp:term":[{"taxonomy":"rara_portfolio_categories","embeddable":true,"href":"https:\/\/javierladino.com\/fr\/wp-json\/wp\/v2\/rara_portfolio_categories?post=1013"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}