Comparateur de prix des carburants

• langagePython 3
• datapandas · numpy
• exportopenpyxl
• sourceAPI open data
• licenceMIT

Outil Python qui trouve les stations-service les moins chères autour d'une ville, à partir des données ouvertes du ministère de l'Économie, et qui vérifie que les prix affichés sont encore à jour.

carburants comparés

5

de rayon maximum

30 km

niveaux de fiabilité

3

Le problème

Les prix des carburants publiés en open data sont déclarés par les stations elles-mêmes. En testant une première version du programme, j'ai constaté qu'une station arrivait 1^re sur 4 carburants… avec des prix qui n'avaient pas été mis à jour depuis plus de 50 jours.

Comment je l'ai réalisé

1. 01Saisie et géocodage

   L'utilisateur saisit une ville et un rayon en km. La ville est convertie en coordonnées GPS via l'API de la Géoplateforme (IGN). Si plusieurs communes portent le même nom, il choisit dans une liste.

   282exactes = [283    commune for commune in communes284    if normaliser(commune["nom"]) == normaliser(saisie)285]286if len(exactes) == 1:287    choisie: dict[str, Any] | None = exactes[0]288else:289    choisie = choisir_commune(exactes or communes)

2. 02Collecte en temps réel

   Les prix de toutes les stations du rayon sont récupérés page par page : l'API renvoie au plus 100 résultats par appel, il faut donc la parcourir jusqu'au bout.

   187stations: list[dict[str, Any]] = []188while True:189    donnees = appeler_api(URL_CARBURANTS, params)190    if donnees is None:191        return pd.DataFrame()192    stations.extend(donnees["results"])193    params["offset"] += TAILLE_PAGE_API194    if params["offset"] >= donnees["total_count"]:195        break

3. 03Calcul des distances

   Distance à vol d'oiseau avec la formule de haversine. Grâce à numpy, une seule opération calcule la distance de toutes les stations, sans boucle.

   346phi1, phi2 = np.radians(lat1), np.radians(lat2)347delta_phi = phi2 - phi1348delta_lambda = np.radians(lon2) - np.radians(lon1)349a = (np.sin(delta_phi / 2) ** 2350     + np.cos(phi1) * np.cos(phi2) * np.sin(delta_lambda / 2) ** 2)351return 2 * RAYON_TERRE_KM * np.arcsin(np.sqrt(a))

4. 04Passage au format long

   Les données arrivent avec une colonne par carburant. Avec pd.melt, je passe à une ligne par couple (station, carburant) : filtrer et classer devient beaucoup plus simple.

   397prix = donnees.melt(398    id_vars=["id_station", COL_STATION, "distance_km"],399    value_vars=champs_prix, var_name="champ", value_name=COL_PRIX,400)401prix["code"] = prix["champ"].str.replace("_prix", "")

5. 05Contrôle de fiabilité

   Chaque prix est daté : moins de 10 jours, il est fiable ; de 10 à 20 jours, il est à vérifier ; au-delà de 20 jours, il n'est plus représentatif.

   422# np.select retient la PREMIÈRE condition vraie : l'ordre compte423age_texte = age.astype("Int64").astype(str)424conditions: list[Any] = [425    age.isna(),426    age > SEUIL_NON_REPRESENTATIF_JOURS,427    age >= SEUIL_FIABILITE_JOURS,428]429statuts: list[Any] = [430    "❌ DATE INCONNUE",431    "❌ PAS REPRÉSENTATIF (il y a " + age_texte432    + " j, probablement faux)",433    "⚠️ ATTENTION (il y a " + age_texte + " j)",434]435long[COL_STATUT] = np.select(conditions, statuts, default="✅ OK")436long[COL_FIABLE] = age < SEUIL_FIABILITE_JOURS  # NaN < 10 -> False

6. 06Classement et rapport Excel

   Top 3 par carburant, trié par prix puis par distance : à prix égal, la station la plus proche passe devant. Le résultat s'affiche dans la console et part dans un rapport Excel mis en forme (prix fiables en vert, douteux en orange ou rouge), ouvert automatiquement.

   482top = (prix_carburant.sort_values([COL_PRIX, COL_DISTANCE])483       .head(len(RANGS)).copy())484top.insert(0, COL_RANG, RANGS[:len(top)])

   (ouvrir en taille réelle)

Choix techniques

Ce que j'ai appris

• Ne pas faire confiance aux données brutes. Une station arrivait 1^re avec des prix vieux de plus de 50 jours : contrôler la fraîcheur des données a changé tout le classement.
• Travailler avec une API REST paginée et gérer ses erreurs (délai dépassé, connexion perdue) sans que le programme s'arrête.
• Penser en tableaux plutôt qu'en boucles : format long avec pandas, calculs vectorisés avec numpy.
• Automatiser un livrable : un rapport Excel mis en forme avec openpyxl, prêt à être lu.
• Écrire du code maintenable : types, docstrings, PEP 8 et paramètres regroupés en constantes.

Limites et pistes d'amélioration

• Distance à vol d'oiseau, pas par la route.
• Les prix sont déclarés par les stations : le programme peut signaler un prix douteux, pas le corriger.
• Rayon limité à 30 km (la pagination de l'API est plafonnée à 10 000 résultats).
• Pistes : analyse à l'échelle de la France, carte interactive des stations, application web avec Streamlit.

Lancer le projet

git clone https://github.com/anis-nefikha/comparateur-carburants.git
cd comparateur-carburants
pip install -r requirements.txt
python comparateur_carburants.py

Sources : prix des carburants en France, flux instantané (v2), ministère de l'Économie · service de géocodage de la Géoplateforme, IGN.