{"id":478331,"date":"2023-08-09T09:31:12","date_gmt":"2023-08-09T09:31:12","guid":{"rendered":""},"modified":"2023-09-05T11:16:31","modified_gmt":"2023-09-05T11:16:31","slug":"pandas","status":"publish","type":"wiki","link":"https:\/\/oneproxy.pro\/fr\/wiki\/pandas\/","title":{"rendered":"Pandas"},"content":{"rendered":"<p>Pandas est une biblioth\u00e8que open source populaire de manipulation et d&#039;analyse de donn\u00e9es pour le langage de programmation Python. Il fournit des outils puissants et flexibles pour travailler avec des donn\u00e9es structur\u00e9es, ce qui en fait un outil essentiel pour les data scientists, les analystes et les chercheurs. Pandas est largement utilis\u00e9 dans divers secteurs, notamment la finance, la sant\u00e9, le marketing et le monde universitaire, pour g\u00e9rer efficacement les donn\u00e9es et effectuer facilement des t\u00e2ches d&#039;analyse de donn\u00e9es.<\/p>\n<h2>L&#039;histoire de l&#039;origine des Pandas et sa premi\u00e8re mention.<\/h2>\n<p>Pandas a \u00e9t\u00e9 cr\u00e9\u00e9 par Wes McKinney en 2008 alors qu&#039;il travaillait comme analyste financier chez AQR Capital Management. Frustr\u00e9 par les limites des outils d&#039;analyse de donn\u00e9es existants, McKinney avait pour objectif de cr\u00e9er une biblioth\u00e8que capable de g\u00e9rer efficacement les t\u00e2ches d&#039;analyse de donn\u00e9es r\u00e9elles \u00e0 grande \u00e9chelle. Il a publi\u00e9 la premi\u00e8re version de Pandas en janvier 2009, initialement inspir\u00e9e par les trames de donn\u00e9es et les capacit\u00e9s de manipulation de donn\u00e9es du langage de programmation R.<\/p>\n<h2>Informations d\u00e9taill\u00e9es sur les pandas. \u00c9largir le sujet Pandas.<\/h2>\n<p>Pandas est construit sur deux structures de donn\u00e9es fondamentales\u00a0: Series et DataFrame. Ces structures de donn\u00e9es permettent aux utilisateurs de g\u00e9rer et de manipuler les donn\u00e9es sous forme de tableau. La s\u00e9rie est un tableau \u00e9tiquet\u00e9 unidimensionnel pouvant contenir des donn\u00e9es de n&#039;importe quel type, tandis que le DataFrame est une structure de donn\u00e9es \u00e9tiquet\u00e9es bidimensionnelle avec des colonnes de types de donn\u00e9es potentiellement diff\u00e9rents.<\/p>\n<p>Les principales fonctionnalit\u00e9s de Pandas incluent\u00a0:<\/p>\n<ul>\n<li>Alignement des donn\u00e9es et gestion des donn\u00e9es manquantes\u00a0: Pandas aligne automatiquement les donn\u00e9es et g\u00e8re efficacement les valeurs manquantes, ce qui facilite le travail avec des donn\u00e9es du monde r\u00e9el.<\/li>\n<li>Filtrage et d\u00e9coupage des donn\u00e9es\u00a0: Pandas fournit des outils puissants pour filtrer et d\u00e9couper les donn\u00e9es en fonction de divers crit\u00e8res, permettant aux utilisateurs d&#039;extraire des sous-ensembles sp\u00e9cifiques de donn\u00e9es \u00e0 des fins d&#039;analyse.<\/li>\n<li>Nettoyage et transformation des donn\u00e9es\u00a0: il offre des fonctions pour nettoyer et pr\u00e9traiter les donn\u00e9es, telles que la suppression des doublons, le remplissage des valeurs manquantes et la transformation des donn\u00e9es entre diff\u00e9rents formats.<\/li>\n<li>Regroupement et agr\u00e9gation\u00a0: Pandas prend en charge le regroupement des donn\u00e9es en fonction de crit\u00e8res sp\u00e9cifiques et l&#039;ex\u00e9cution d&#039;op\u00e9rations d&#039;agr\u00e9gation, permettant une synth\u00e8se perspicace des donn\u00e9es.<\/li>\n<li>Fusion et jonction de donn\u00e9es\u00a0: les utilisateurs peuvent combiner plusieurs ensembles de donn\u00e9es bas\u00e9s sur des colonnes communes \u00e0 l&#039;aide de Pandas, ce qui facilite l&#039;int\u00e9gration de sources de donn\u00e9es disparates.<\/li>\n<li>Fonctionnalit\u00e9 de s\u00e9ries chronologiques\u00a0: Pandas fournit une prise en charge robuste pour travailler avec des donn\u00e9es de s\u00e9ries chronologiques, y compris le r\u00e9\u00e9chantillonnage, le d\u00e9calage temporel et les calculs de fen\u00eatres glissantes.<\/li>\n<\/ul>\n<h2>La structure interne des Pandas. Comment fonctionne Pandas.<\/h2>\n<p>Pandas est construit sur NumPy, une autre biblioth\u00e8que Python populaire pour les calculs num\u00e9riques. Il utilise les tableaux NumPy comme backend pour stocker et manipuler les donn\u00e9es, ce qui fournit des op\u00e9rations de donn\u00e9es efficaces et performantes. Les structures de donn\u00e9es principales, Series et DataFrame, sont con\u00e7ues pour g\u00e9rer efficacement de grands ensembles de donn\u00e9es tout en conservant la flexibilit\u00e9 n\u00e9cessaire \u00e0 l&#039;analyse des donn\u00e9es.<\/p>\n<p>Sous le capot, Pandas utilise des axes \u00e9tiquet\u00e9s (lignes et colonnes) pour fournir un moyen coh\u00e9rent et significatif d&#039;acc\u00e9der et de modifier les donn\u00e9es. De plus, Pandas exploite de puissantes capacit\u00e9s d&#039;indexation et d&#039;\u00e9tiquetage hi\u00e9rarchique pour faciliter l&#039;alignement et la manipulation des donn\u00e9es.<\/p>\n<h2>Analyse des principales caract\u00e9ristiques de Pandas.<\/h2>\n<p>Pandas offre un riche ensemble de fonctions et de m\u00e9thodes qui permettent aux utilisateurs d&#039;effectuer efficacement diverses t\u00e2ches d&#039;analyse de donn\u00e9es. Certaines des fonctionnalit\u00e9s cl\u00e9s et leurs avantages sont les suivants\u00a0:<\/p>\n<ol>\n<li>\n<p>Alignement des donn\u00e9es et gestion des donn\u00e9es manquantes\u00a0:<\/p>\n<ul>\n<li>Garantit une manipulation des donn\u00e9es coh\u00e9rente et synchronis\u00e9e sur plusieurs s\u00e9ries et DataFrames.<\/li>\n<li>Simplifie le processus de traitement des donn\u00e9es manquantes ou incompl\u00e8tes, r\u00e9duisant ainsi la perte de donn\u00e9es lors de l&#039;analyse.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Filtrage et d\u00e9coupage des donn\u00e9es\u00a0:<\/p>\n<ul>\n<li>Permet aux utilisateurs d&#039;extraire des sous-ensembles sp\u00e9cifiques de donn\u00e9es en fonction de diverses conditions.<\/li>\n<li>Facilite l\u2019exploration des donn\u00e9es et le test des hypoth\u00e8ses en se concentrant sur les segments de donn\u00e9es pertinents.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Nettoyage et transformation des donn\u00e9es\u00a0:<\/p>\n<ul>\n<li>Rationalise le flux de travail de pr\u00e9traitement des donn\u00e9es en fournissant une large gamme de fonctions de nettoyage des donn\u00e9es.<\/li>\n<li>Am\u00e9liore la qualit\u00e9 et la pr\u00e9cision des donn\u00e9es pour l\u2019analyse et la mod\u00e9lisation en aval.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Regroupement et agr\u00e9gation\u00a0:<\/p>\n<ul>\n<li>Permet aux utilisateurs de r\u00e9sumer les donn\u00e9es et de calculer efficacement des statistiques globales.<\/li>\n<li>Prend en charge la synth\u00e8se perspicace des donn\u00e9es et la d\u00e9couverte de mod\u00e8les.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Fusionner et joindre des donn\u00e9es\u00a0:<\/p>\n<ul>\n<li>Simplifie l&#039;int\u00e9gration de plusieurs ensembles de donn\u00e9es bas\u00e9s sur des cl\u00e9s ou des colonnes communes.<\/li>\n<li>Permet une analyse compl\u00e8te des donn\u00e9es en combinant des informations provenant de diff\u00e9rentes sources.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Fonctionnalit\u00e9 des s\u00e9ries chronologiques\u00a0:<\/p>\n<ul>\n<li>Facilite l\u2019analyse des donn\u00e9es temporelles, les pr\u00e9visions et l\u2019identification des tendances.<\/li>\n<li>Am\u00e9liore la capacit\u00e9 d\u2019effectuer des calculs et des comparaisons en fonction du temps.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n<h2>Types de pandas et leurs caract\u00e9ristiques<\/h2>\n<p>Pandas propose deux structures de donn\u00e9es principales\u00a0:<\/p>\n<ol>\n<li>\n<p>S\u00e9rie:<\/p>\n<ul>\n<li>Un tableau \u00e9tiquet\u00e9 unidimensionnel capable de contenir des donn\u00e9es de tout type (par exemple, des entiers, des cha\u00eenes, des flottants).<\/li>\n<li>Chaque \u00e9l\u00e9ment de la s\u00e9rie est associ\u00e9 \u00e0 un index, offrant un acc\u00e8s rapide et efficace aux donn\u00e9es.<\/li>\n<li>Id\u00e9al pour repr\u00e9senter des donn\u00e9es de s\u00e9ries chronologiques, des s\u00e9quences ou des colonnes uniques \u00e0 partir d&#039;un DataFrame.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Trame de donn\u00e9es:<\/p>\n<ul>\n<li>Une structure de donn\u00e9es \u00e9tiquet\u00e9e en deux dimensions avec des lignes et des colonnes, semblable \u00e0 une feuille de calcul ou une table SQL.<\/li>\n<li>Prend en charge des types de donn\u00e9es h\u00e9t\u00e9rog\u00e8nes pour chaque colonne, s&#039;adaptant \u00e0 des ensembles de donn\u00e9es complexes.<\/li>\n<li>Offre de puissantes capacit\u00e9s de manipulation, de filtrage et d\u2019agr\u00e9gation des donn\u00e9es.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n<h2>Fa\u00e7ons d&#039;utiliser Pandas, probl\u00e8mes et leurs solutions li\u00e9es \u00e0 l&#039;utilisation.<\/h2>\n<p>Pandas est utilis\u00e9 dans diverses applications et cas d&#039;utilisation\u00a0:<\/p>\n<ol>\n<li>\n<p>Nettoyage et pr\u00e9traitement des donn\u00e9es\u00a0:<\/p>\n<ul>\n<li>Pandas simplifie le processus de nettoyage et de transformation des ensembles de donn\u00e9es d\u00e9sordonn\u00e9s, tels que la gestion des valeurs manquantes et des valeurs aberrantes.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Analyse exploratoire des donn\u00e9es (EDA)\u00a0:<\/p>\n<ul>\n<li>EDA implique l&#039;utilisation de Pandas pour explorer et visualiser les donn\u00e9es, en identifiant les mod\u00e8les et les relations avant une analyse approfondie.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Gestion et transformation des donn\u00e9es\u00a0:<\/p>\n<ul>\n<li>Pandas permet de remodeler et de reformater les donn\u00e9es pour les pr\u00e9parer \u00e0 la mod\u00e9lisation et \u00e0 l&#039;analyse.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Agr\u00e9gation de donn\u00e9es et reporting\u00a0:<\/p>\n<ul>\n<li>Pandas est utile pour r\u00e9sumer et agr\u00e9ger des donn\u00e9es afin de g\u00e9n\u00e9rer des rapports et d&#039;obtenir des informations.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Analyse des s\u00e9ries chronologiques:<\/p>\n<ul>\n<li>Pandas prend en charge diverses op\u00e9rations bas\u00e9es sur le temps, ce qui le rend adapt\u00e9 \u00e0 la pr\u00e9vision et \u00e0 l&#039;analyse de s\u00e9ries chronologiques.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n<p>Probl\u00e8mes courants et leurs solutions\u00a0:<\/p>\n<ol>\n<li>\n<p>Gestion des donn\u00e9es manquantes\u00a0:<\/p>\n<ul>\n<li>Utilisez des fonctions comme <code data-no-translation=\"\">dropna()<\/code> ou <code data-no-translation=\"\">fillna()<\/code> pour g\u00e9rer les valeurs manquantes dans l&#039;ensemble de donn\u00e9es.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Fusionner et joindre des donn\u00e9es\u00a0:<\/p>\n<ul>\n<li>Employer <code data-no-translation=\"\">merge()<\/code> ou <code data-no-translation=\"\">join()<\/code> fonctions pour combiner plusieurs ensembles de donn\u00e9es en fonction de cl\u00e9s ou de colonnes communes.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Filtrage et d\u00e9coupage des donn\u00e9es\u00a0:<\/p>\n<ul>\n<li>Utilisez l&#039;indexation conditionnelle avec des masques bool\u00e9ens pour filtrer et extraire des sous-ensembles de donn\u00e9es sp\u00e9cifiques.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Regroupement et agr\u00e9gation\u00a0:<\/p>\n<ul>\n<li>Utiliser <code data-no-translation=\"\">groupby()<\/code> et des fonctions d&#039;agr\u00e9gation pour regrouper les donn\u00e9es et effectuer des op\u00e9rations sur les groupes.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n<h2>Principales caract\u00e9ristiques et autres comparaisons avec des termes similaires<\/h2>\n<table>\n<thead>\n<tr>\n<th>Caract\u00e9ristique<\/th>\n<th>Pandas<\/th>\n<th>NumPy<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Structures de donn\u00e9es<\/td>\n<td>S\u00e9rie, DataFrame<\/td>\n<td>Tableaux multidimensionnels (ndarray)<\/td>\n<\/tr>\n<tr>\n<td>Utilisation principale<\/td>\n<td>Manipulation de donn\u00e9es, analyse<\/td>\n<td>Calculs num\u00e9riques<\/td>\n<\/tr>\n<tr>\n<td>Principales caract\u00e9ristiques<\/td>\n<td>Alignement des donn\u00e9es, gestion des donn\u00e9es manquantes, prise en charge des s\u00e9ries chronologiques<\/td>\n<td>Op\u00e9rations num\u00e9riques, fonctions math\u00e9matiques<\/td>\n<\/tr>\n<tr>\n<td>Performance<\/td>\n<td>Vitesse mod\u00e9r\u00e9e pour les grands ensembles de donn\u00e9es<\/td>\n<td>Hautes performances pour les op\u00e9rations num\u00e9riques<\/td>\n<\/tr>\n<tr>\n<td>La flexibilit\u00e9<\/td>\n<td>Prend en charge les types de donn\u00e9es mixtes et les ensembles de donn\u00e9es h\u00e9t\u00e9rog\u00e8nes<\/td>\n<td>Con\u00e7u pour des donn\u00e9es num\u00e9riques homog\u00e8nes<\/td>\n<\/tr>\n<tr>\n<td>Application<\/td>\n<td>Analyse g\u00e9n\u00e9rale des donn\u00e9es<\/td>\n<td>Calcul scientifique, t\u00e2ches math\u00e9matiques<\/td>\n<\/tr>\n<tr>\n<td>Usage<\/td>\n<td>Nettoyage des donn\u00e9es, EDA, transformation des donn\u00e9es<\/td>\n<td>Calculs math\u00e9matiques, alg\u00e8bre lin\u00e9aire<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Perspectives et technologies du futur li\u00e9es aux Pandas.<\/h2>\n<p>\u00c0 mesure que la technologie et la science des donn\u00e9es continuent d\u2019\u00e9voluer, l\u2019avenir des Pandas semble prometteur. Certains d\u00e9veloppements et tendances potentiels comprennent\u00a0:<\/p>\n<ol>\n<li>\n<p>Am\u00e9lioration des performances:<\/p>\n<ul>\n<li>Optimisation et parall\u00e9lisation suppl\u00e9mentaires pour g\u00e9rer efficacement des ensembles de donn\u00e9es encore plus volumineux.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Int\u00e9gration avec l&#039;IA et le ML\u00a0:<\/p>\n<ul>\n<li>Int\u00e9gration transparente avec les biblioth\u00e8ques d&#039;apprentissage automatique pour rationaliser le pipeline de pr\u00e9traitement et de mod\u00e9lisation des donn\u00e9es.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Capacit\u00e9s de visualisation am\u00e9lior\u00e9es\u00a0:<\/p>\n<ul>\n<li>Int\u00e9gration avec des biblioth\u00e8ques de visualisation avanc\u00e9es pour permettre une exploration interactive des donn\u00e9es.<\/li>\n<\/ul>\n<\/li>\n<li>\n<p>Solutions bas\u00e9es sur le cloud\u00a0:<\/p>\n<ul>\n<li>Int\u00e9gration avec les plateformes cloud pour une analyse de donn\u00e9es et une collaboration \u00e9volutives.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n<h2>Comment les serveurs proxy peuvent \u00eatre utilis\u00e9s ou associ\u00e9s \u00e0 Pandas.<\/h2>\n<p>Les serveurs proxy et Pandas peuvent \u00eatre associ\u00e9s de diff\u00e9rentes mani\u00e8res, notamment lorsqu&#039;il s&#039;agit de t\u00e2ches de web scraping et d&#039;extraction de donn\u00e9es. Les serveurs proxy agissent comme interm\u00e9diaires entre le client (le web scraper) et le serveur h\u00e9bergeant le site web en cours de scraping. En utilisant des serveurs proxy, les web scrapers peuvent r\u00e9partir leurs requ\u00eates sur plusieurs adresses IP, r\u00e9duisant ainsi le risque d&#039;\u00eatre bloqu\u00e9 par des sites Web imposant des restrictions d&#039;acc\u00e8s.<\/p>\n<p>Dans le contexte de Pandas, les web scrapers peuvent utiliser des serveurs proxy pour r\u00e9cup\u00e9rer des donn\u00e9es provenant de plusieurs sources simultan\u00e9ment, augmentant ainsi l&#039;efficacit\u00e9 de la collecte de donn\u00e9es. De plus, la rotation des proxys peut \u00eatre mise en \u0153uvre pour emp\u00eacher le blocage bas\u00e9 sur l\u2019adresse IP et les restrictions d\u2019acc\u00e8s impos\u00e9es par les sites Web.<\/p>\n<h2>Liens connexes<\/h2>\n<p>Pour plus d&#039;informations sur Pandas, vous pouvez vous r\u00e9f\u00e9rer aux ressources suivantes\u00a0:<\/p>\n<ul>\n<li><a href=\"https:\/\/pandas.pydata.org\/docs\/\" target=\"_new\" rel=\"noopener nofollow\">Documentation officielle des pandas<\/a><\/li>\n<li><a href=\"https:\/\/github.com\/pandas-dev\/pandas\" target=\"_new\" rel=\"noopener nofollow\">D\u00e9p\u00f4t GitHub Pandas<\/a><\/li>\n<li><a href=\"https:\/\/pandas.pydata.org\/pandas-docs\/stable\/getting_started\/index.html\" target=\"_new\" rel=\"noopener nofollow\">Tutoriels et guides Pandas<\/a><\/li>\n<li><a href=\"https:\/\/stackoverflow.com\/questions\/tagged\/pandas\" target=\"_new\" rel=\"noopener nofollow\">Pandas sur Stack Overflow<\/a> (pour les questions et r\u00e9ponses de la communaut\u00e9)<\/li>\n<li><a href=\"https:\/\/www.datacamp.com\/community\/tutorials\/pandas-tutorial-dataframe-python\" target=\"_new\" rel=\"noopener nofollow\">Tutoriel DataCamp Pandas<\/a><\/li>\n<\/ul>\n<p>En conclusion, Pandas est devenu un outil indispensable pour les analystes de donn\u00e9es et les scientifiques en raison de ses capacit\u00e9s intuitives de manipulation des donn\u00e9es et de ses fonctionnalit\u00e9s \u00e9tendues. Son d\u00e9veloppement continu et son int\u00e9gration avec des technologies de pointe garantissent sa pertinence et son importance dans l&#039;avenir de l&#039;analyse des donn\u00e9es et de la prise de d\u00e9cision bas\u00e9e sur les donn\u00e9es. Que vous soyez un aspirant data scientist ou un chercheur exp\u00e9riment\u00e9, Pandas est un atout pr\u00e9cieux qui vous permet de lib\u00e9rer le potentiel cach\u00e9 dans vos donn\u00e9es.<\/p>","protected":false},"featured_media":469107,"menu_order":0,"template":"","meta":{"_acf_changed":false,"content-type":"","inline_featured_image":false,"footnotes":""},"class_list":["post-478331","wiki","type-wiki","status-publish","has-post-thumbnail","hentry"],"acf":{"faq_title":"Frequently Asked Questions about <mark>Pandas: A Comprehensive Guide<\/mark>","faq_items":[{"question":"What is Pandas and why is it popular for data analysis?","answer":"<p>Pandas is an open-source Python library that provides powerful tools for data manipulation and analysis. It is popular because of its ease of use, flexibility, and efficient handling of structured data. With Pandas, data scientists and analysts can perform various data tasks, such as cleaning, filtering, grouping, and aggregation, with just a few lines of code.<\/p>"},{"question":"Who created Pandas and when was it first released?","answer":"<p>Pandas was created by Wes McKinney, a financial analyst at AQR Capital Management, in 2008. The first version of Pandas was released in January 2009.<\/p>"},{"question":"What are the key data structures in Pandas?","answer":"<p>Pandas offers two primary data structures: Series and DataFrame. Series is a one-dimensional labeled array, and DataFrame is a two-dimensional labeled data structure with rows and columns, similar to a spreadsheet.<\/p>"},{"question":"How does Pandas handle missing data?","answer":"<p>Pandas provides efficient tools to handle missing data. Users can use functions like <code>dropna()<\/code> or <code>fillna()<\/code> to remove or fill missing values in the dataset, ensuring data integrity during analysis.<\/p>"},{"question":"What are the key features of Pandas?","answer":"<p>Pandas offers several essential features, including data alignment, missing data handling, data filtering and slicing, data cleaning and transformation, grouping and aggregation, merging and joining data, and time series functionality.<\/p>"},{"question":"How can Pandas be used for web scraping?","answer":"<p>Proxy servers can be associated with Pandas for web scraping tasks. By using proxy servers, web scrapers can distribute their requests across multiple IP addresses, reducing the risk of being blocked by websites that impose access restrictions.<\/p>"},{"question":"What are the future perspectives of Pandas?","answer":"<p>In the future, Pandas is expected to witness performance improvements, better integration with AI and ML libraries, enhanced visualization capabilities, and potential integration with cloud platforms for scalable data analysis.<\/p>"},{"question":"Where can I find more information about Pandas?","answer":"<p>For more information about Pandas, you can refer to the official Pandas documentation, GitHub repository, tutorials, and guides available on the Pandas website. Additionally, you can explore the Pandas-related discussions on Stack Overflow and DataCamp's Pandas tutorial for in-depth learning.<\/p>"}]},"_links":{"self":[{"href":"https:\/\/oneproxy.pro\/fr\/wp-json\/wp\/v2\/wiki\/478331","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/oneproxy.pro\/fr\/wp-json\/wp\/v2\/wiki"}],"about":[{"href":"https:\/\/oneproxy.pro\/fr\/wp-json\/wp\/v2\/types\/wiki"}],"version-history":[{"count":0,"href":"https:\/\/oneproxy.pro\/fr\/wp-json\/wp\/v2\/wiki\/478331\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/oneproxy.pro\/fr\/wp-json\/wp\/v2\/media\/469107"}],"wp:attachment":[{"href":"https:\/\/oneproxy.pro\/fr\/wp-json\/wp\/v2\/media?parent=478331"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}