31:T84f,## Introduction

Le judo, codifié par Jigorō Kanō en 1882 au Japon, s'est progressivement transformé d'un art martial local en discipline olympique mondialisée. Cependant, cette mondialisation apparente masque une réalité profondément inégalitaire. Le judo masculin intègre les Jeux olympiques en 1964 à Tokyo, tandis que le judo féminin n'y apparaît comme sport de démonstration qu'en 1988 à Séoul, avant d'obtenir le statut officiel de sport médaillé en 1992 à Barcelone. Cette temporalité révèle d'emblée comment une discipline prétendument « universelle » reste structurée par des hiérarchies géopolitiques et des rapports de genre inégalitaires.

Ce notebook interroge comment la participation au judo olympique reproduit, plutôt qu'elle ne résorbe, les inégalités mondiales. L'analyse s'appuie sur l'étude cartographique de la participation olympique en judo de 1964 à 2020, période couvrant à la fois l'ère masculine exclusive (1964-1984), la phase de transition (1988-1992), et l'ère de féminisation progressive (1996-2020). Cette approche géographique critique s'inscrit dans le champ de la géographie du sport (Augustin, 2007), qui reconnaît le sport comme objet d'étude révélant les enjeux de territoire, de pouvoir et de représentation dans le système international.

Les données utilisées proviennent de l'*Olympics-Dataset* compilé par Keith Galli et couvrent l'ensemble des Jeux olympiques depuis l'intégration du judo. Elles incluent le nombre de participants par sexe et par pays ainsi que les médailles obtenues. Ces données quantitatives permettent de mesurer à la fois la diffusion géographique de la pratique et les hiérarchies sportives mondiales. Le jeu de données a été trié et travaillé sur R. En effet, le fichier *results.csv* ne dénombre pas le nombre ni le type de médailles. Le script R est fourni en annexe avec le reste du code du notebook. Les cartes présentées ci-dessous adoptent une approche comparative pour révéler les dynamiques spatiales et genrées du judo olympique. --- 32:Ta3e,{ const data_geo = { type: "FeatureCollection", features: pays.features .map((feature) => { const match = data2_year.find( (d) => d.iso3 === feature.properties.iso3 ); if (match) { return { ...feature, properties: { ...feature.properties, ...match } }; } return null; }) .filter((f) => f !== null) }; const data_geo_femmes = { type: "FeatureCollection", features: data_geo.features.filter((f) => f.properties.femmes > 0) }; const data_geo_hommes = { type: "FeatureCollection", features: data_geo.features.filter((f) => f.properties.hommes > 0) }; let svg = viz.create({ projection: d3.geoNaturalEarth1(), width: 700, zoomable: true, background: "#ffffff" }); svg.plot({ type: "path", datum: pays, fill: "#B9CFD0", stroke: "#ffffff", strokeWidth: 0.5 }); svg.plot({ type: "outline", fill: "none", stroke: "#ffffff", strokeWidth: 0.6 }); svg.plot({ type: "graticule", stroke: "#9EC8DB", strokeOpacity: 0.3 }); svg.halfcircle({ data: data_geo_femmes, r: "femmes", k: k, dy: -dy, descending: true, fill: "#AFA4CE", fillOpacity: 0.75, stroke: "white", tip: `Pays : $name Année : $annee Nombre de femmes : $femmes` }); svg.halfcircle({ data: data_geo_hommes, r: "hommes", k: k, dy: dy, angle: 180, descending: true, fill: "#FEBB5F", fillOpacity: 0.75, stroke: "white", tip: `Pays : $name Année : $annee Nombre d'hommes : $hommes` }); svg.plot({ type: "text", text: "Participants en judo", pos: [20, 40], fontSize: 12, fontWeight: "bold", fill: "#2c3e50" }); svg.plot({ type: "circle", pos: [30, 60], r: 6, fill: "#AFA4CE" }); svg.plot({ type: "text", text: "Femmes", pos: [45, 56], fontSize: 11, fill: "#2c3e50" }); svg.plot({ type: "circle", pos: [30, 78], r: 6, fill: "#FEBB5F" }); svg.plot({ type: "text", text: "Hommes", pos: [45, 74], fontSize: 11, fill: "#2c3e50" }); svg.header({ text: `Évolution spatiale et temporelle des participations genrées de judo olympique`, fill: "#2c3e50", fontSize: 15, fontWeight: "bold" }); svg.footer({ text: "Réalisation : Wael WATANABE, janvier 2026 | Source : Olympics-Dataset compilé par Keith Galli", fill: "#7f8c8d", fontSize: 11 }); return svg.render(); }33:Tf45, ###

Choix méthodologiques et sémiologiques

Ce planisphère utilise la technique des demi-cercles proportionnels (*half-circle marks*) développée par Nicolas Lambert pour représenter simultanément deux variables quantitatives absolues, à savoir le nombre de judokas masculins (demi-cercle oranges) et féminins (demi-cercle mauves) par pays aux Jeux olympiques. Ce choix sémiologique permet une lecture comparative immédiate des rapports de genre dans la participation olympique, tout en visualisant les volumes absolus de participants. La taille des demi-cercles est strictement proportionnelle au nombre de participants, facilitant l'identification des pôles de pratique intensive.

La projection *Natural Earth* offre une vision planisphérique équilibrée, adaptée à l'analyse de phénomènes mondiaux en minimisant les déformations. L'interactivité temporelle via le curseur "Année olympique" constitue un atout majeur. Elle permet en effet d'observer les évolutions historiques de la participation et la féminisation progressive de la discipline. Les *sliders* complémentaires (taille des cercles, espacement des demi-cercles) offrent une flexibilité d'exploration pour adapter la visualisation aux zones d'intérêt.

###

Analyse cartographique

La carte révèle une diffusion mondiale du judo olympique, avec une présence sur tous les continents, mais des intensités très inégales. En 1992, année charnière marquant l'intégration officielle du judo féminin, trois pôles de domination se démarquent. D'abord la Corée du Sud et le Japon, pays créateur de la discipline, maintiennent une participation massive. Ensuite, l'Europe occidentale (France, Allemagne, Royaume-Uni, Italie, Espagne) qui constitue le second pôle majeur, témoignant de l'implantation historique du judo en Europe depuis le début du XXe siècle. Et enfin l'Amérique du Nord (États-Unis, Canada) et certains pays d'Amérique latine (Brésil, Cuba) qui forment un troisième ensemble significatif.

Les disparités de genre apparaissent géographiquement structurées. En 1992, la sous-représentation féminine est quasi-universelle, y compris dans les pays à forte tradition de judo. En 2000, il est possible d'observer une féminisation avancée en Asie de l'Est et en Europe occidentale, avec des demi-cercles mauves approchant les demi-cercles oranges. À l'inverse, de nombreux pays émergents dans la pratique olympique conservent une sous-représentation féminine marquée, particulièrement visible en Afrique du Nord, au Moyen-Orient et en Asie centrale. Cette géographie genrée du judo reflète les inégalités d'accès des femmes au sport de haut niveau, corrélées aux contextes socioculturels et aux politiques sportives nationales (Mennesson, 2004 ; Mennesson, 2005).

L'évolution temporelle observable par le biais du curseur montre une double dynamique. D'une part, une augmentation générale du nombre de pays participants (de 92 pays en 1992 à 126 en 2020, soit +37%), témoignant d'une mondialisation de la pratique, bien qu'elle soit moins spectaculaire que la mondialisation affichée par le mouvement olympique (126 pays sur les 195 nations existantes représentent seulement 65% de la communauté internationale), révélant une concentration géographique persistante. D'autre part, une réduction progressive mais inégale des écarts de genre. Les Jeux de Tokyo 2020 marquent un tournant historique avec une quasi-parité atteinte dans plusieurs pays, tandis que d'autres régions conservent des déséquilibres significatifs. On note également l'émergence de nouveaux acteurs en Asie centrale et en Océanie (malgré des dynamiques inverses ces dernières années), tandis que l'Afrique subsaharienne demeure largement sous-représentée. --- 34:Tacf,{ let svg = viz.create({ projection: d3.geoOrthographic().rotate([-30, -60]), zoomable: "versor", width: 850, background: "#ffffff" }); svg.plot({ type: "outline", fill: "#D0E7DA", stroke: "#ffffff", strokeWidth: 0.8 }); svg.plot({ type: "graticule", stroke: "#9EC8DB", strokeOpacity: 0.4 }); svg.plot({ type: "choro", data: data, var: "ratio_femmes", breaks: [0, 0.2, 0.4, 0.6, 0.8, 1], colors: "Greens", missing: "#f5f5f5", stroke: "#ffffff", strokeWidth: 0.3, leg_pos: [20, 240], leg_title: "Ratio de femmes", leg_format: d3.format(".0%"), tip: `Pays : $name Hommes : $hommes Femmes : $femmes Ratio femmes : $ratio_femmes 🥇 Or : $or 🥈 Argent : $argent 🥉 Bronze : $bronze Total : $total_medailles` }); svg.halfcircle({ data: data, r: "or", k: size, descending: true, fill: "#ffd700", fillOpacity: 0.85, stroke: "#ffffff", strokeWidth: 0.6, tip: `Pays : $name 🥇 Or : $or` }); svg.halfcircle({ data: data, r: "argent", k: size, angle: 180, descending: true, fill: "#c0c0c0", fillOpacity: 0.85, stroke: "#ffffff", strokeWidth: 0.6, tip: `Pays : $name 🥈 Argent : $argent` }); svg.plot({ type: "prop", data: data, var: "bronze", k: size * 0.6, fill: "#cd7f32", fillOpacity: 0.8, stroke: "#ffffff", strokeWidth: 0.4, legend: null, tip: `Pays : $name 🥉 Bronze : $bronze` }); svg.plot({ type: "prop", data: data, var: "total_medailles", k: size, fill: "none", stroke: "none", fillOpacity: 0, leg_pos: [20, 500], leg_title: "Nombre total de médailles", leg_breaks: [1, 2, 4, 6, 8], leg_round: 0 }); svg.plot({ type: "text", text: "Types de médailles", pos: [20, 420], fontSize: 11, fontWeight: "bold", fill: "#2c3e50" }); svg.plot({ type: "circle", pos: [30, 440], r: 6, fill: "#ffd700" }); svg.plot({ type: "text", text: "Or", pos: [45, 436], fontSize: 10 }); svg.plot({ type: "circle", pos: [30, 455], r: 6, fill: "#c0c0c0" }); svg.plot({ type: "text", text: "Argent", pos: [45, 451], fontSize: 10 }); svg.plot({ type: "circle", pos: [30, 470], r: 6, fill: "#cd7f32" }); svg.plot({ type: "text", text: "Bronze", pos: [45, 466], fontSize: 10 }); svg.header({ text: "Performance sportive et féminisation du judo aux Jeux Olympiques de Tokyo 2020", fill: "#2c3e50", fontSize: 15, fontWeight: "bold" }); svg.footer({ text: "Réalisation : Wael WATANABE, janvier 2026 | Source : Olympics Dataset compilé par Keith Galli", fill: "#7f8c8d", fontSize: 11 }); return svg.render(); }35:T1952, ###

Choix méthodologiques et sémiologiques

Cette seconde visualisation combine deux modes de représentation cartographique complémentaires pour croiser performance olympique et féminisation. Le ratio de femmes parmi les judokas de chaque pays, variable quantitative de ratio, est représenté en aplats de couleurs. L'intensité de la teinte est proportionnelle au degré de féminisation. Ainsi, un vert foncé indique une forte proportion de femmes, tandis qu'un vert clair signale une faible féminisation. Les cercles proportionnels témoignent du nombre total de médailles obtenues à Tokyo 2020, ainsi que de leur type (or, argent, bronze).

Cette double représentation permet d'identifier les corrélations spatiales entre excellence olympique et égalité de genre dans la pratique. Les contrôles interactifs (taille des cercles via un *slider*) et les infobulles affichant le nom du pays, les participants par sexe, le ratio, et le détail des médailles, offrent une flexibilité d'exploration.

Néanmoins, la conception de ce globe a révélé plusieurs obstacles. Par exemple, les valeurs décimales dans la légende des cercles proportionnels ne constituaient pas un choix initial. J’ai cherché à imposer des bornes entières cohérentes, notamment en utilisant différentes options de discrétisation et de paramétrage de la légende comme des bornes explicites, un arrondi forcé ou encore une légende construite à partir de valeurs fixes. Toutefois, ces solutions n’ont pas fonctionné de manière satisfaisante, soit parce qu’elles généraient des erreurs techniques, soit parce qu’elles rompaient la cohérence d’échelle entre les cercles de la carte et ceux de la légende. J’ai donc fait le choix assumé de conserver une légende continue, tout en en explicitant les limites, afin de préserver la fidélité visuelle entre les surfaces des cercles et les valeurs représentées.

De plus, la représentation des données sexuées reposait au départ sur des cercles proportionnels classiques. Dans l'objectif d'aller plus loin dans la représentation, j'ai essayé de différencier le type de médaille dans ces cercles. Toutefois, cette idée s’est rapidement révélée limitée. Soit elle imposait deux cartes distinctes, soit elle nécessitait la superposition de plusieurs cercles, entraînant des problèmes de lisibilité et d’occultation. Plusieurs configurations ont ainsi été testées (cercles uniques, cercles superposés, variations de tailles et de transparence) sans parvenir à un compromis satisfaisant entre lisibilité et comparabilité. Le recours aux *half-circle marks* s’est alors imposé comme une solution à la fois graphique et analytique, permettant de représenter simultanément les types de médailles au sein d’un même pays, sans hiérarchisation visuelle implicite, tout en conservant une lecture proportionnelle cohérente.

Enfin, les demi-cercles représentant les différents types de médailles ne sont pas mis à l’échelle les uns par rapport aux autres, mais chacun par rapport au maximum mondial de sa catégorie. Cela explique que, pour certains pays comme la France, l’argent apparaisse visuellement plus important que l’or. L’objectif n’est ici pas de comparer directement les types de médailles entre eux, mais de situer chaque pays dans la hiérarchie mondiale propre à chaque type de médaille. La comparaison fine reste accessible via les *tooltips*.

###

Analyse cartographique

Le globe interactif met en évidence une géographie olympique du judo fortement polarisée. Le Japon domine avec 8 médailles (5 or, 2 argent, 1 bronze), confortant son statut de berceau historique de la discipline et de superpuissance mondiale du judo. Son ratio de féminisation de 0,538 (7 femmes pour 6 hommes) témoigne d'une parité avancée. La France apparaît comme la seconde puissance mondiale avec 8 médailles également (4 or, 3 argent, 1 bronze) et un ratio de 0,6 (9 femmes pour 6 hommes), s'expliquant par l'ancienneté et l'intensité de la structuration fédérale du judo en France, premier pays européen en nombre de licenciés.

Les autres podiums sont partagés entre l'Europe (Allemagne, Géorgie, Russie/Comité olympique russe) et l'Asie (Corée du Sud, Mongolie, Taïwan, Japon). L'Europe de l'Est et le Caucase (Géorgie, Azerbaïdjan) présentent des performances remarquables malgré des populations réduites, témoignant d'investissements sportifs ciblés et d'une spécialisation dans les sports de combat.

Le croisement avec le ratio de féminisation révèle des configurations contrastées. Certains pays performants affichent une parité avancée (France 0,6 ; Japon 0,538 ; Pays-Bas 0,5), suggérant une corrélation positive entre égalité de genre et excellence sportive. Cette observation rejoint les travaux de Louveau (2006) sur l'émancipation par le sport, bien que celle-ci demeure limitée par des structures patriarcales persistantes. D'autres pays médaillés conservent une sous-représentation féminine. Par exemple, la République Tchèque avec un ratio nul (seulement 2 hommes) ou la Géorgie avec un ratio de 0,333 (2 femmes pour 4 hommes), contrastant avec la parité avancée de la France ou du Japon. À l'inverse, certains pays sans médailles affichent une meilleure parité en participation. C'est le cas de l'Algérie qui présente un ratio de 0,5 (1 femme pour 1 homme) mais n'a remporté aucune médaille. Ce cas illustre que la parité en participation ne garantit pas l'excellence olympique, témoignant de modèles sportifs nationaux profondément différenciés.

Les espaces d'absence de médailles couvrent de vastes régions. La majeure partie de l'Afrique subsaharienne, une grande partie du Moyen-Orient (à l'exception notable d'Israël), et de nombreux pays d'Asie du Sud-Est et du Pacifique. Cette géographie du vide olympique reflète les inégalités mondiales d'investissement dans le sport de haut niveau, de structuration des fédérations nationales, et d'accès aux infrastructures d'entraînement. Elle interroge également les mécanismes de reproduction des élites sportives mondiales, concentrées dans un nombre restreint de nations disposant de systèmes de détection, formation et soutien des athlètes (Gillon, Grosjean & Ravenel, 2010). ---36:T94f, ##

Conclusion

Les deux cartes présentées révèlent les multiples dimensions géographiques du judo olympique. La première met en évidence une diffusion mondiale de la pratique, mais selon des intensités et des temporalités très inégales, reflet des processus historiques de circulation des techniques corporelles depuis le Japon vers le reste du monde. Entre 1992 et 2020, le nombre de pays participants a augmenté de 37%, témoignant d'une mondialisation effective. Cependant, cette expansion quantitative ne s'accompagne pas d'une homogénéisation. Les hiérarchies géopolitiques structurent profondément la géographie du judo olympique.

La résilience de fortes disparités de genre dans de nombreux pays rappelle que la mondialisation sportive n'efface pas les inégalités socioculturelles entre hommes et femmes face au sport de haut niveau. Si la parité progresse dans certains pays (Japon, Europe occidentale), elle demeure limitée en Afrique, au Moyen-Orient et en Asie du Sud, zones où les représentations culturelles du sport féminin et les politiques publiques freinent l'accès des femmes aux compétitions internationales (UNESCO, 2024).

La seconde visualisation complète cette lecture en montrant que diffusion de la pratique et excellence olympique ne se superposent pas mécaniquement. Les médailles restent concentrées dans un cercle restreint de nations dotées de politiques sportives structurées, d'investissements massifs dans la formation des athlètes et de systèmes de détection précoce des talents. Le judo olympique reproduit ainsi les hiérarchies géopolitiques mondiales tout en offrant quelques fenêtres d'opportunité pour des pays de taille moyenne (Géorgie, Mongolie, Ouzbékistan) capables de se spécialiser dans certaines disciplines.

Ces dynamiques spatiales invitent à une réflexion plus large sur les inégalités d'accès au sport de haut niveau. La démocratisation de la pratique olympique et la féminisation des délégations nécessitent des politiques publiques volontaristes, des investissements fédéraux significatifs et une transformation des représentations culturelles du sport féminin. Le judo, bien que mondialisé en apparence, demeure un révélateur des fractures économiques et sociales qui divisent l'espace mondial. ---37:T6b4,##

Bibliographie et références

### Source de données primaire Olympics-Dataset (2024). *Olympic Games Results Database*. Compilé par Keith Galli. https://github.com/KeithGalli/Olympics-Dataset ###

Géographie du sport et hiérarchies géopolitiques Augustin, J.-P. (2007). *Géographie du sport. Spatialités contemporaines et mondialisation*. Paris: Armand Colin, collection U - Géographie. Critique académique: https://journals.openedition.org/com/5998 Gillon, P., Grosjean, F., & Ravenel, L. (2010). *Atlas du sport mondial. Business et spectacle: l'idéal sportif en jeu*. Paris: Autrement, collection Atlas/Monde. https://shs.cairn.info/revue-internationale-et-strategique-2011-2-page-XXVIII ###

Genre et inégalités dans le sport Louveau, C. (2006). Inégalité sur la ligne de départ: femmes, origines sociales et conquête du sport. *Clio. Femmes, Genre, Histoire*, 23, 119-143. https://shs.cairn.info/revue-clio-2006-1-page-119 Mennesson, C. (2004). Être une femme dans un sport « masculin »: Modes de socialisation et construction des dispositions sexuées. *Sociétés Contemporaines*, 55(3), 69-90. https://shs.cairn.info/revue-societes-contemporaines-2004-3-page-69 Mennesson, C. (2005). *Être une femme dans le monde des hommes. Socialisation sportive et construction du genre*. Paris: L'Harmattan. Critique académique: https://journals.openedition.org/clio/5012 UNESCO. (2024). *Sport and Gender Equality Game Plan: Women and Girls' Access to Sport Still Lagging Far Behind*. UNESCO Report. Consulté décembre 2024. https://www.unesco.org/en/articles/unesco-report-women-and-girls-access-sport-still-lagging-far-behind ---38:T1337,--- ## Script R ###

Lancer tidyverse library(tidyverse) ### 1. Définition du dictionnaire de mapping mapping_pays <- tribble( ~code_noc, ~iso3, ~nom, "ALG", "DZA", "Algérie", "ARG", "ARG", "Argentine", "AUS", "AUS", "Australie", "AUT", "AUT", "Autriche", "AZE", "AZE", "Azerbaïdjan", "BEL", "BEL", "Belgique", "BIH", "BIH", "Bosnie-Herzégovine", "BLR", "BLR", "Biélorussie", "BRA", "BRA", "Brésil", "BUL", "BGR", "Bulgarie", "CAN", "CAN", "Canada", "CHI", "CHL", "Chili", "CHN", "CHN", "Chine", "CIV", "CIV", "Côte d'Ivoire", "CMR", "CMR", "Cameroun", "COL", "COL", "Colombie", "CRC", "CRI", "Costa Rica", "CRO", "HRV", "Croatie", "CUB", "CUB", "Cuba", "CZE", "CZE", "République Tchèque", "DEN", "DNK", "Danemark", "DOM", "DOM", "République Dominicaine", "ECU", "ECU", "Équateur", "EGY", "EGY", "Égypte", "ESP", "ESP", "Espagne", "EST", "EST", "Estonie", "FIN", "FIN", "Finlande", "FRA", "FRA", "France", "GAB", "GAB", "Gabon", "GBR", "GBR", "Royaume-Uni", "GEO", "GEO", "Géorgie", "GER", "DEU", "Allemagne", "GRE", "GRC", "Grèce", "HUN", "HUN", "Hongrie", "INA", "IDN", "Indonésie", "IND", "IND", "Inde", "IRI", "IRN", "Iran", "IRL", "IRL", "Irlande", "IRQ", "IRQ", "Irak", "ISR", "ISR", "Israël", "ITA", "ITA", "Italie", "JPN", "JPN", "Japon", "KAZ", "KAZ", "Kazakhstan", "KEN", "KEN", "Kenya", "KGZ", "KGZ", "Kirghizistan", "KOR", "KOR", "Corée du Sud", "KOS", "KOS", "Kosovo", "KSA", "SAU", "Arabie Saoudite", "KUW", "KWT", "Koweït", "LAT", "LVA", "Lettonie", "LBN", "LBN", "Liban", "LTU", "LTU", "Lituanie", "LUX", "LUX", "Luxembourg", "MAR", "MAR", "Maroc", "MAS", "MYS", "Malaisie", "MDA", "MDA", "Moldavie", "MEX", "MEX", "Mexique", "MGL", "MGL", "Mongolie", "MKD", "MKD", "Macédoine du Nord", "MNE", "MNE", "Monténégro", "MON", "MCO", "Monaco", "MOZ", "MOZ", "Mozambique", "MRI", "MUS", "Maurice", "NED", "NLD", "Pays-Bas", "NGR", "NGA", "Nigeria", "NIG", "NER", "Niger", "NOR", "NOR", "Norvège", "NZL", "NZL", "Nouvelle-Zélande", "PAN", "PAN", "Panama", "PAR", "PRY", "Paraguay", "PER", "PER", "Pérou", "PHI", "PHL", "Philippines", "POL", "POL", "Pologne", "POR", "PRT", "Portugal", "PRK", "PRK", "Corée du Nord", "PUR", "PRI", "Porto Rico", "ROU", "ROU", "Roumanie", "RSA", "ZAF", "Afrique du Sud", "RUS", "RUS", "Russie", "ROC", "RUS", "Russie (ROC)", "SEN", "SEN", "Sénégal", "SLO", "SVN", "Slovénie", "SRB", "SRB", "Serbie", "SUI", "CHE", "Suisse", "SVK", "SVK", "Slovaquie", "SWE", "SWE", "Suède", "TJK", "TJK", "Tadjikistan", "TKM", "TKM", "Turkménistan", "TPE", "TWN", "Taïwan", "TUN", "TUN", "Tunisie", "TUR", "TUR", "Turquie", "UAE", "ARE", "Émirats Arabes Unis", "UKR", "UKR", "Ukraine", "URU", "URY", "Uruguay", "USA", "USA", "États-Unis", "UZB", "UZB", "Ouzbékistan", "VEN", "VEN", "Venezuela", "VIE", "VNM", "Viêt Nam", "YEM", "YEM", "Yémen", "ZAM", "ZMB", "Zambie", "ZIM", "ZWE", "Zimbabwe", #### Codes historiques "URS", "RUS", "URSS", "EUN", "RUS", "Équipe Unifiée", "GDR", "DEU", "Allemagne de l'Est", "FRG", "DEU", "Allemagne de l'Ouest", "EUA", "DEU", "Allemagne", "TCH", "CZE", "Tchécoslovaquie", "YUG", "SRB", "Yougoslavie", "SCG", "SRB", "Serbie-et-Monténégro", "IOA", "IOA", "Athlètes Indépendants" ) ### 2. Chargement et Traitement ### Lecture df <- read_csv("results.csv", show_col_types = FALSE) df_final <- df %>% #### A. Filtrer uniquement le Judo filter(str_detect(discipline, regex("Judo", ignore_case = TRUE))) %>% #### B. Créer la colonne Genre mutate( genre = case_when( str_detect(event, regex("Women|Ladies", ignore_case = TRUE)) ~ "femmes", str_detect(event, regex("Men", ignore_case = TRUE)) ~ "hommes", TRUE ~ NA_character_ ) ) %>% filter(!is.na(genre)) %>% #### C. 1 ligne par athlète par an par pays (Empêche de compter double ceux qui font individuel + open/mixte) distinct(year, noc, athlete_id, .keep_all = TRUE) %>% #### D. Compter le nombre de lignes par groupe count(year, noc, genre) %>% #### E. Pivoter pour avoir femmes et hommes en colonnes pivot_wider(names_from = genre, values_from = n, values_fill = 0) %>% #### F. Renommer noc -> code_noc rename(code_noc = noc) %>% #### G. Calculs (Total et Ratio) mutate( total = femmes + hommes, ratio_femmes = if_else(total > 0, round(femmes / total, 4), 0) ) %>% #### H. Jointure avec le mapping pour ajouter ISO3 et Nom left_join(mapping_pays, by = "code_noc") %>% #### I. Remplir les trous si un pays n'est pas dans le mapping (garde le code NOC) mutate( iso3 = coalesce(iso3, code_noc), nom = coalesce(nom, code_noc) ) %>% #### J. Sélection et ordre final des colonnes select(year, code_noc, iso3, nom, femmes, hommes, total, ratio_femmes) %>% arrange(year, code_noc) %>% rename(annee = year) ### 3. Export write_csv(df_final, "judo_evolution.csv") 39:[{"id":"ecf4d030503113f394dbdc7b2da9ddc83ab096af7e00d7ef1c1af76b2aee4eba2d371d7710ab9a519fa0ab5daf1e120a2074124ccfde1eaacc4068c77f8f922a","href":"https://static.observableusercontent.com/files/ecf4d030503113f394dbdc7b2da9ddc83ab096af7e00d7ef1c1af76b2aee4eba2d371d7710ab9a519fa0ab5daf1e120a2074124ccfde1eaacc4068c77f8f922a","name":"pays.json","type":"application/json","lastModified":1767296710807.573,"size":759480},{"id":"41f48e9cc291b3257738ee7ab3a9f8b4fa5c7edf9041439317aebb0c25442b8232cc108b2a49fe82331c9ec7b5e5ab76aacbfcb54e542187f555d1fc6d58ccaf","href":"https://static.observableusercontent.com/files/41f48e9cc291b3257738ee7ab3a9f8b4fa5c7edf9041439317aebb0c25442b8232cc108b2a49fe82331c9ec7b5e5ab76aacbfcb54e542187f555d1fc6d58ccaf","name":"judo_2020@4.csv","type":"text/csv","lastModified":1767365258849.291,"size":5561},{"id":"9b4592c7aa9f23634b65cea3b2478393d62ec45577bde2aa5a2655e4c204baab08aced991add2302661ccd93d7f34301b3c487a1e145815a8b80fb6448aa05cb","href":"https://static.observableusercontent.com/files/9b4592c7aa9f23634b65cea3b2478393d62ec45577bde2aa5a2655e4c204baab08aced991add2302661ccd93d7f34301b3c487a1e145815a8b80fb6448aa05cb","name":"judo_evolution.csv","type":"text/csv","lastModified":1767468726143.062,"size":35017}] 2f:{"title":"Étude de cas : Comment le judo olympique est-il révélateur d'inégalités structurelles genrées et spatialisées ?","cells":[{"id":1317,"value":"

\n# Étude de cas : Comment le judo olympique est-il révélateur d'inégalités structurelles genrées et spatialisées ?\n\n---","pinned":false,"hidden":false,"mode":"md"},{"id":998,"value":"$31","pinned":false,"hidden":false,"mode":"md"},{"id":1157,"value":"##

I. Une mondialisation de la pratique qui masque des inégalités de genre persistantes","pinned":false,"hidden":false,"mode":"md"},{"id":881,"value":"viewof annee = Inputs.range([annee_min, annee_max], {\n label: \"Année olympique\",\n step: 4\n})","pinned":false,"hidden":false,"mode":"ojs"},{"id":901,"value":"$32","pinned":false,"hidden":false,"mode":"ojs"},{"id":930,"value":"viewof k = Inputs.range([10, 100], {\n label: \"Taille des cercles (k)\",\n value: 30,\n step: 1\n})","pinned":false,"hidden":false,"mode":"ojs"},{"id":932,"value":"viewof dy = Inputs.range([0, 10], {\n label: \"Espacement des demi-cercles (dy)\",\n value: 0,\n step: 0.5\n})","pinned":false,"hidden":false,"mode":"ojs"},{"id":1017,"value":"$33","pinned":false,"hidden":false,"mode":"md"},{"id":1161,"value":"##

II. Une excellence concentrée qui révèle les hiérarchies géopolitiques du judo\n","pinned":false,"hidden":false,"mode":"md"},{"id":1243,"value":"$34","pinned":false,"hidden":false,"mode":"ojs"},{"id":680,"value":"viewof size = Inputs.range([10, 100], {\n label: \"Taille des cercles (nombre de médailles)\",\n step: 1\n})","pinned":false,"hidden":false,"mode":"ojs"},{"id":1034,"value":"$35","pinned":false,"hidden":false,"mode":"md"},{"id":1036,"value":"$36","pinned":false,"hidden":false,"mode":"md"},{"id":1065,"value":"$37","pinned":false,"hidden":false,"mode":"md"},{"id":1068,"value":"## Codes et tableaux","pinned":false,"hidden":false,"mode":"md"},{"id":824,"value":"judo_evolution = await FileAttachment(\"judo_evolution.csv\").csv({typed: \"auto\"})","pinned":true,"hidden":false,"mode":"ojs"},{"id":826,"value":"Inputs.table(judo_evolution)","pinned":true,"hidden":false,"mode":"ojs"},{"id":742,"value":"judo_20204 = await FileAttachment(\"judo_2020@4.csv\").csv({typed: \"auto\"})","pinned":false,"hidden":false,"mode":"ojs"},{"id":676,"value":"Inputs.table(judo)","pinned":false,"hidden":false,"mode":"ojs"},{"id":875,"value":"data2 = await FileAttachment(\"judo_evolution.csv\").csv({ typed: true })","pinned":false,"hidden":false,"mode":"ojs"},{"id":877,"value":"data2[0]","pinned":false,"hidden":false,"mode":"ojs"},{"id":879,"value":"annees = [...new Set(data2.map((d) => d.annee))]\n .filter((d) => d != null)\n .sort(d3.ascending)","pinned":false,"hidden":false,"mode":"ojs"},{"id":886,"value":"annee_max = d3.max(annees)","pinned":false,"hidden":false,"mode":"ojs"},{"id":884,"value":"annee_min = d3.min(annees)","pinned":false,"hidden":false,"mode":"ojs"},{"id":888,"value":"data2_year = {\n if (!data2 || !annee) return [];\n return data2.filter((d) => d.annee === annee);\n}","pinned":false,"hidden":false,"mode":"ojs"},{"id":674,"value":"judo = judo_20204","pinned":false,"hidden":false,"mode":"ojs"},{"id":678,"value":"pays = FileAttachment(\"pays.json\").json()","pinned":false,"hidden":false,"mode":"ojs"},{"id":686,"value":"viz = require(\"geoviz@0.9.5\")","pinned":false,"hidden":false,"mode":"ojs"},{"id":688,"value":"data = viz.tool.merge({\n geom: pays,\n geom_id: \"iso3\",\n data: judo,\n data_id: \"iso3\"\n}).featureCollection","pinned":false,"hidden":false,"mode":"ojs"},{"id":1298,"value":"$38","pinned":false,"hidden":false,"mode":"md"}],"files":"$W39","stdlib":"1","titling":"auto"}