S6 : Carte du prix au m² — Versailles (DVF)

Intermediaire CLI + Map

Capabilities : filter calculate classify grid_create spatial_aggregate

Cas d'usage

Un analyste immobilier veut visualiser la structure spatiale des prix au m² a Versailles. On part des mutations DVF (Demandes de Valeurs Foncieres, Etalab open data), on filtre aux ventes residentielles, on calcule price_per_m2 = valeur_fonciere / surface_reelle_bati, on retire les outliers (parkings, garages, erreurs de saisie), puis on classe les transactions restantes en quintiles avec une palette YlOrRd (jaune pale → rouge sombre, ColorBrewer 5 classes).

On construit ensuite un quadrillage regulier 100 m × 100 m (grid_create, CRS Lambert93 EPSG:2154, clippe a l'emprise des ventes). Chaque tuile agrege le prix moyen / m² des mutations qu'elle contient (spatial_aggregate, predicate contains) et la derniere classify peint un heatmap lisible : des tuiles carrees contigues, meme gradient YlOrRd que les points, mais en lecture thematique continue plutot qu'en points eparpilles.

Source : DVF Etalab

Source	Contenu	Features (Versailles 2022-2024)	Attributs cles
geo-dvf Etalab	Mutations immobilieres geolocalisees	~7 000 brutes sur 8 communes (Versailles + Le Chesnay-Rocquencourt + Viroflay + Velizy + Jouy + Buc + Saint-Cyr + Bailly, 2022-2024) → ~5 100 residentielles apres filtrage	`valeur_fonciere`, `surface_reelle_bati`, `type_local`, `nature_mutation`, `date_mutation`

Les CSV sont publies par annee et par commune : https://files.data.gouv.fr/geo-dvf/latest/csv/{year}/communes/{dept}/{insee}.csv

Versailles = INSEE 78646, departement 78.

bash

python examples/prepare_playground_data.py --city versailles
gispulse info examples/datasets/versailles_bdtopo.gpkg --layer dvf_ventes

Le script concat 2022+2023+2024, construit la geometrie Point depuis longitude/latitude, supprime les lignes sans coordonnees ou sans prix, puis ecrit la couche dvf_ventes dans le GPKG.

Pipeline (8 etapes)

dvf_ventes ──► filter (nature_mutation=='Vente' AND type_local in ['Maison','Appartement'])
                │                                                       # ventes residentielles
                ▼
            calculate → price_per_m2 = valeur_fonciere / surface_reelle_bati
                │
                ▼
            filter (1500 <= price_per_m2 <= 25000)                      # retire outliers DVF
                │
                ▼
            classify → price_class (1..5) + price_color (YlOrRd)        # quintiles points
                         method: quantile, bins: 5
                │
                ▼
            grid_create → fishnet regulier 100 m × 100 m                # tuiles carrees
              ref_layer: drop_price_outliers   (emprise des ventes)
              cell_size: 100                    (metres)
              crs_meters: EPSG:2154             (Lambert93)
              clip_to_extent: true              (drop tuiles hors DVF)
                │
                ▼
            spatial_aggregate                                             # jointure attributaire
              ref_layer: drop_price_outliers                              # tuile ⊇ points DVF
              predicate: contains
              agg: mean_price_per_m2, max_price_per_m2, tx_count
                │
                ▼
            filter (tx_count > 0)                                         # garde tuiles ≥1 vente
                │
                ▼
            classify → tile_class (1..5) + tile_color (YlOrRd)            # choroplethe heatmap
                         field: mean_price_per_m2, method: quantile, bins: 5

Etapes 1-4 (points) — palette ColorBrewer YlOrRd 5 classes (#ffffb2, #fecc5c, #fd8d3c, #f03b20, #bd0026) ecrite feature par feature dans price_color ; chaque quintile contient ~20 % des mutations.

Etapes 5-8 (tuiles) — grid_create genere un fishnet 100 m × 100 m en Lambert93 (metrique exact) sur l'emprise des ventes filtrees (~950 tuiles non vides) ; spatial_aggregate calcule mean_price_per_m2, max_price_per_m2 et tx_count par tuile en comptant les points DVF contenus ; les tuiles vides sont droppees ; la derniere classify peint la choroplethe finale — heatmap 100 m haute resolution, lecture thematique fine, pret pour export QGIS / cartographie print. Note : a 100 m sur l'emprise S5 elargie ~25 % des tuiles portent une seule transaction (vs ~35 % au precedent maillage 50 m sur Versailles centre seul), donc les quintiles sont plus stables tout en gardant une lecture thematique fine.

Rules

json

{
  "version": 2,
  "ref_layers": { "dvf_ventes": "dvf_ventes" },
  "steps": [
    {
      "id": "filter_residential_sales",
      "capability": "filter",
      "params": {
        "expression": "nature_mutation == 'Vente' and type_local in ['Maison', 'Appartement']"
      }
    },
    {
      "id": "compute_price_per_m2",
      "capability": "calculate",
      "params": { "expressions": { "price_per_m2": "valeur_fonciere / surface_reelle_bati" } },
      "input": "filter_residential_sales"
    },
    {
      "id": "drop_price_outliers",
      "capability": "filter",
      "params": { "expression": "price_per_m2 >= 1500 and price_per_m2 <= 25000" },
      "input": "compute_price_per_m2"
    },
    {
      "id": "classify_price_quintiles",
      "capability": "classify",
      "params": {
        "field": "price_per_m2",
        "method": "quantile",
        "bins": 5,
        "class_col": "price_class",
        "color_col": "price_color",
        "palette": ["#ffffb2", "#fecc5c", "#fd8d3c", "#f03b20", "#bd0026"]
      },
      "input": "drop_price_outliers"
    },
    {
      "id": "create_price_grid",
      "capability": "grid_create",
      "params": {
        "ref_layer": "drop_price_outliers",
        "cell_size": 100,
        "crs_meters": "EPSG:2154",
        "clip_to_extent": true
      },
      "input": "drop_price_outliers"
    },
    {
      "id": "aggregate_price_to_grid",
      "capability": "spatial_aggregate",
      "params": {
        "ref_layer": "drop_price_outliers",
        "predicate": "contains",
        "agg": {
          "mean_price_per_m2": ["price_per_m2", "mean"],
          "max_price_per_m2": ["price_per_m2", "max"],
          "tx_count": ["price_per_m2", "count"]
        }
      },
      "input": "create_price_grid"
    },
    {
      "id": "keep_cells_with_sales",
      "capability": "filter",
      "params": { "expression": "tx_count > 0" },
      "input": "aggregate_price_to_grid"
    },
    {
      "id": "classify_grid_choropleth",
      "capability": "classify",
      "params": {
        "field": "mean_price_per_m2",
        "method": "quantile",
        "bins": 5,
        "class_col": "tile_class",
        "color_col": "tile_color",
        "palette": ["#ffffb2", "#fecc5c", "#fd8d3c", "#f03b20", "#bd0026"]
      },
      "input": "keep_cells_with_sales"
    }
  ]
}

Telecharger

scenario-6-rules.json

Execution

bash

gispulse run examples/datasets/versailles_bdtopo.gpkg \
  --layer dvf_ventes \
  --rules playground/scenario-6-rules.json \
  -o output/versailles_price_map.gpkg

gispulse serve output/versailles_price_map.gpkg

Resultat attendu

Schema de sortie — couche points (step 4)

Colonne	Type	Origine	Description
`geometry`	Point	source	Centroide parcelle DVF
`date_mutation`	date	source	Date de la vente
`nature_mutation`	string	source	"Vente" apres filtre
`type_local`	string	source	"Maison" ou "Appartement"
`valeur_fonciere`	float	source	Prix de vente (€)
`surface_reelle_bati`	float	source	Surface bati (m²)
`price_per_m2`	float	step 2 (`calculate`)	Prix au m² (€ / m²)
`price_class`	int	step 4 (`classify`)	Quintile 1..5
`price_color`	string	step 4 (`classify`)	Couleur hex (palette YlOrRd)

Schema de sortie — choroplethe tuiles 50 m (step 8)

Colonne	Type	Origine	Description
`geometry`	Polygon	step 5 (`grid_create`)	Tuile carree 100 m × 100 m en Lambert93
`row`	int	step 5 (`grid_create`)	Indice ligne du fishnet
`col`	int	step 5 (`grid_create`)	Indice colonne du fishnet
`mean_price_per_m2`	float	step 6 (`spatial_aggregate`)	Prix moyen / m² des DVF contenus
`max_price_per_m2`	float	step 6 (`spatial_aggregate`)	Prix max / m² observe sur la tuile
`tx_count`	int	step 6 (`spatial_aggregate`)	Nombre de mutations dans la tuile
`tile_class`	int	step 8 (`classify`)	Quintile 1..5 du prix moyen
`tile_color`	string	step 8 (`classify`)	Couleur hex de la choroplethe

Quintiles Versailles 2022-2024 (valeurs typiques, apres filtre outliers)

Q1 (< ~5 200 €/m²) : pale yellow #ffffb2 — segments peripheriques, biens atypiques
Q2 (5 200 → 6 400 €/m²) : light orange #fecc5c
Q3 (6 400 → 7 300 €/m²) : orange #fd8d3c — mediane marche
Q4 (7 300 → 8 500 €/m²) : red-orange #f03b20
Q5 (> ~8 500 €/m²) : dark red #bd0026 — Notre-Dame, quartier Chateau

Les bornes sont recalculees dynamiquement : les quintiles s'ajustent si on change la periode ou le filtre geographique.

Playground interactif complet

Pipeline live 8 etapes (necessite backend demo).

Points (DVF) — gradient par mutation

filter_residential_sales (orange) — ne garde que les ventes Maison / Appartement
compute_price_per_m2 (cyan) — ratio valeur_fonciere / surface_reelle_bati
drop_price_outliers (orange) — filtre 1500 ≤ price/m² ≤ 25000 €
classify_price_quintiles (rouge) — quintiles + palette YlOrRd → gradient de couleur sur les points

Choroplethe (tuiles) — heatmap 100 m

create_price_grid (turquoise) — fishnet 100 m × 100 m en Lambert93 sur l'emprise DVF (~950 tuiles non vides)
aggregate_price_to_grid (violet) — spatial_aggregate : par tuile, moyenne des price_per_m2 DVF contenus (+ max, + count)
keep_cells_with_sales (orange) — filtre tx_count > 0 pour drop tuiles orphelines
classify_grid_choropleth (rouge) — quintiles sur mean_price_per_m2 + palette YlOrRd → choroplethe heatmap

Popup DVF : date, type_local, valeur_fonciere, surface_reelle_bati, price_per_m2, price_class. Popup tuile : row, col, mean_price_per_m2, max_price_per_m2, tx_count, tile_class. Legende : chaque quintile ~20 % (points puis tuiles), meme palette, lecture thematique continue.

Essayer en live

Live Demoliste les capabilities disponibles (filter, calculate, classify) utilisees par le pipeline S6

GET/capabilities

Live Demoliste les datasets demo, dont versailles_bdtopo avec la couche dvf_ventes chargee pour ce scenario

GET/datasets

Pour aller plus loin

S5 : Espaces Verts — autre workflow Versailles
Capabilities vecteur — classify, filter, calculate
DVF Etalab — 2014-2025, mise a jour 2x/an, toutes communes

S6 : Carte du prix au m² — Versailles (DVF) ​

Cas d'usage ​

Source : DVF Etalab ​

Pipeline (8 etapes) ​

Rules ​

Execution ​

Resultat attendu ​

Playground interactif complet ​

Essayer en live ​

Pour aller plus loin ​