upgrade style

_doc/practice/algo-base/exercice_plus_grande_somme.ipynb

@@ -315,11 +315,7 @@
    "source": [
     "cout = lambda n: 0 if n == 1 else n + 2 * cout(n // 2)\n",
     "for i in range(1, 10):\n",
-    "    print(\n",
-    "        \"f({0})={1} --> f({0})/{0} = {2}\".format(\n",
-    "            2**i, cout(2**i), cout(2**i) / 2**i\n",
-    "        )\n",
-    "    )"
+    "    print(\"f({0})={1} --> f({0})/{0} = {2}\".format(2**i, cout(2**i), cout(2**i) / 2**i))"
    ]
   },
   {

_doc/practice/exams/enonce_ml_2017_correction.ipynb

@@ -1320,7 +1320,7 @@
     "editable": true
    },
    "source": [
-    "On utilise maintenant [statsmodels](http://statsmodels.sourceforge.net/) qui est plus complet pour toute ce qui est un modèle linéaire."
+    "On utilise maintenant [statsmodels](https://www.statsmodels.org/stable/index.html) qui est plus complet pour toute ce qui est un modèle linéaire."
    ]
   },
   {
@@ -3301,7 +3301,7 @@
     "editable": true
    },
    "source": [
-    "Ensuite retour à [scikit-learn](https://scikit-learn.org/stable/) et plutôt le second [statsmodels](http://statsmodels.sourceforge.net/) pour effectuer des tests sur les coefficients du modèle. On regarde d'abord les corrélations."
+    "Ensuite retour à [scikit-learn](https://scikit-learn.org/stable/) et plutôt le second [statsmodels](https://www.statsmodels.org/stable/index.html) pour effectuer des tests sur les coefficients du modèle. On regarde d'abord les corrélations."
    ]
   },
   {
@@ -5407,7 +5407,7 @@
    "source": [
     "## Une variable catégorielle en une seule colonne ?\n",
     "\n",
-    "Un jeu de données peut rapidement croître s'il est étendu pour chaque variable catégorielle. On peut utiliser le module [category_encoders](https://github.com/scikit-learn-contrib/categorical-encoding/tree/master/category_encoders) ou [statsmodels](http://statsmodels.sourceforge.net/devel/contrasts.html)."
+    "Un jeu de données peut rapidement croître s'il est étendu pour chaque variable catégorielle. On peut utiliser le module [category_encoders](https://github.com/scikit-learn-contrib/categorical-encoding/tree/master/category_encoders) ou [statsmodels](https://www.statsmodels.org/stable/index.html)."
    ]
   },
   {
@@ -6136,18 +6136,6 @@
    "display_name": "Python 3 (ipykernel)",
    "language": "python",
    "name": "python3"
-  },
-  "language_info": {
-   "codemirror_mode": {
-    "name": "ipython",
-    "version": 3
-   },
-   "file_extension": ".py",
-   "mimetype": "text/x-python",
-   "name": "python",
-   "nbconvert_exporter": "python",
-   "pygments_lexer": "ipython3",
-   "version": "3.10.12"
   }
  },
  "nbformat": 4,

_doc/practice/ml/ml_a_tree_overfitting.ipynb

@@ -102,9 +102,6 @@
     }
    ],
    "source": [
-    "import sys\n",
-    "\n",
-    "sys.path.append(\"/home/xadupre/install/scikit-learn\")\n",
     "from sklearn.tree import DecisionTreeRegressor\n",
     "\n",
     "ax = df.plot(\n",
@@ -1713,4 +1710,4 @@
  },
  "nbformat": 4,
  "nbformat_minor": 2
-}
+}

_unittests/ut_tools/test_profiling.py

@@ -1,6 +1,7 @@
 """
 @brief      test tree node (time=5s)
 """
+
 import os
 import sys
 import time

requirements-dev.txt

@@ -2,6 +2,7 @@ black
 black-nb
 blockdiag
 cartopy
+category-encoders
 chardet
 cloudpickle
 coverage