Table des matières
Je collectionne les LEGO et j’écris du Python : j’ai donc croisé les exports Rebrickable avec un scraper BrickEconomy pour voir comment les boîtes et les thèmes ont évolué, et si un modèle simple pouvait suivre le prix de revente d’une boîte classique comme la 001-1. Les notebooks et le scraper sont dans AlgoETS/LegosTracker[1].
1. Sources de données
| Jeu de données | Ce qu’il apporte |
|---|---|
| CSV Rebrickable | boîtes, thèmes, pièces, couleurs, inventaires : idéal pour compter et joindre |
| BrickEconomy (scrapé) | historique de valeur et fourchettes de prix des boîtes scellées, absents de Rebrickable |
Rebrickable publie sets.csv, themes.csv, parts.csv, colors.csv et les tables d’inventaire. Le schéma ci-dessous montre comment elles se joignent.
2. Les boîtes au fil des décennies
Regrouper sets par year fait ressortir deux tendances :
sets.groupby('year')['name'].nunique().plot(kind='bar')
plt.title("The Numbers of Sets by Year")
plt.show()
parts_by_year = sets[['year', 'num_parts']].groupby('year', as_index=False).mean()
parts_by_year.plot(x='year', y='num_parts', color="purple")
plt.title("Average Number of Parts by Year")
plt.show()
- Le nombre de boîtes par année grimpe fortement à partir de la fin des années 1990 et dépasse 1 000 ces dernières années.
- Le nombre moyen de pièces par boîte augmente aussi : moins de 100 pendant presque toutes les années 1970 et 1980, autour de 300 au sommet.
3. Les thèmes qui dominent le catalogue
On compte les boîtes par theme_id, on joint themes, on garde les thèmes de premier niveau (sans parent_id) et on trace les dix plus gros :
set_themes = sets["theme_id"].value_counts()
set_themes = pd.DataFrame({"id": set_themes.index, "count": set_themes.values})
set_themes = pd.merge(set_themes, themes, on="id")
set_themes_no_parent = set_themes[pd.isnull(set_themes["parent_id"])]
set_themes_top_10 = set_themes_no_parent.sort_values(by=["count"], ascending=False)[:10]
top_10 = set_themes_top_10["count"]
top_10.index = set_themes_top_10["name"]
top_10.plot.bar(color="gold", rot=30)
Star Wars arrive loin devant, suivi de Friends, Gear, Ninjago, Bionicle et Technic. Gear et Service Packs rappellent que le catalogue compte bien plus que des boîtes à construire.
4. Pourquoi scraper BrickEconomy ?
Rebrickable dit ce qui existe, pas ce que les gens paient sur le marché secondaire. BrickEconomy affiche, pour chaque boîte, des estimations de valeur, des prévisions de croissance et les tendances de vente. J’ai donc écrit un scraper avec Playwright, asyncio, des modèles pydantic pour la validation et aiohttp.
pip install playwright pydantic aiohttp pandas scikit-learn matplotlib
playwright install
L’historique des prix n’est pas dans un tableau HTML. Il se trouve dans un script en ligne qui alimente un DataTable Google Charts ; parse_history lit donc les balises <script> et en extrait les lignes.
La classe LegoAPI complète (navigation, parse_history, parse_set, écriture CSV) est dans le dépôt et dans l’article original sur Medium[2].
5. Historique de prix de la boîte 001-1
La 001-1, la boîte Samsonite Gears de 1965, est un bon cas d’essai : un long historique et assez de reventes pour tracer une courbe.
Le scraper écrit deux fichiers par boîte. 001-1_history.csv contient des valeurs datées avec des annotations, comme la sortie de la boîte, et 001-1_new.csv des fourchettes de valeur mensuelles pour les exemplaires scellés.
Le nettoyage supprime les doublons, retire les symboles monétaires, convertit les dates et écarte les valeurs nulles :
df_0011.drop_duplicates(inplace=True)
df_0011['Currency Value'] = df_0011['Currency Value'].fillna(0)
df_0011['Currency Value'] = df_0011['Currency Value'].str.replace('[^\d.]', '', regex=True)
df_0011['Currency Value'] = pd.to_numeric(df_0011['Currency Value'], errors='coerce')
df_0011.drop(['Value', 'Status'], axis=1, inplace=True)
df_0011['Date'] = pd.to_datetime(df_0011['Date'], errors='coerce')
df_0011.rename(columns={'Currency Value': 'USD Value', 'Description': 'Set Description'}, inplace=True)
df_0011['USD Value'] = df_0011['USD Value'].fillna(0)
df_0011 = df_0011[df_0011['USD Value'] != 0]
Une réserve : BrickEconomy affichait des dollars canadiens pendant ma session (C$ dans les valeurs brutes), et le notebook renomme quand même la colonne USD Value. Lisez l’axe ci-dessous en dollars canadiens.
6. Une régression linéaire comme prévision modeste
Le modèle est une simple régression linéaire de la valeur en fonction de la date, prolongée jusqu’en 2030 :
X = df_0011['Date'].map(pd.Timestamp.toordinal).values.reshape(-1, 1)
y = df_0011['USD Value'].values
model = LinearRegression().fit(X, y)
future_dates = pd.date_range('2008-12-31', '2030-12-31', freq='Y')
future_dates_ordinal = future_dates.map(pd.Timestamp.toordinal).values.reshape(-1, 1)
future_predictions = model.predict(future_dates_ordinal)
Ce n’est pas un signal d’achat. C’est une façon de poser des questions simples : la tendance domine-t-elle, les résidus se regroupent-ils par époque, et à quel point les pics récents au-dessus de 600 s’en écartent-ils ? Tracer le gain entre deux observations rend ces pics évidents.
7. Quand ne pas se fier à cette analyse
| Piège | Effet |
|---|---|
| Scraper cassé | Des mois manquants ressemblent à des krachs |
| Biais du survivant dans la table des boîtes | Les boîtes retirées faussent les comptes |
| Modèle linéaire sur des boîtes à la mode | Les résidus explosent |
| Confondre revente et prix de détail | Une tout autre histoire économique |
8. À retenir
Les données LEGO sont désordonnées et amusantes : de quoi pratiquer pandas, apprendre la discipline du scraping asynchrone, et se rappeler qu’un prix de revente, c’est du sentiment plus du plastique, pas des fondamentaux.
9. Articles liés
- Bases vectorielles et films similaires : un autre jeu de données pédagogique
- MarketWatch en Python : un autre marché, la même curiosité
10. Références
- Téléchargements Rebrickable[3]
- BrickEconomy[4]
- AlgoETS/LegosTracker[1]
- Exploring LEGO History (inspiration GitHub)[5]