Introduction à FastF1 : Analyser les données de Formule 1 avec Python

Python
Data Science
F1
Tutoriel
Découvrez FastF1, la librairie Python pour récupérer et analyser les données de Formule 1 : télémétrie, chronos, stratégies de course et plus encore.
Auteur·rice

François BOUSSENGUI

Date de publication

5 janvier 2025

Introduction

La Formule 1 génère une quantité impressionnante de données à chaque Grand Prix : chronos au tour, télémétrie des voitures, données météo, stratégies pneumatiques… Autant d’informations qui peuvent être analysées pour comprendre les performances et les stratégies des équipes.

FastF1 est une librairie Python moderne qui permet d’accéder facilement à toutes ces données via l’API officielle de la F1.

Installation

L’installation de FastF1 est simple avec pip :

pip install fastf1

Pour les visualisations, je recommande également d’installer :

pip install plotly matplotlib seaborn

Premier exemple : Récupérer les chronos d’une session

Voici un exemple basique pour récupérer les temps au tour d’une session de qualification :

import fastf1

# Activer le cache pour accélérer les requêtes
fastf1.Cache.enable_cache('cache/')

# Charger la session de qualification du GP de Monaco 2024
session = fastf1.get_session(2024, 'Monaco', 'Q')
session.load()

# Récupérer les meilleurs temps de chaque pilote
best_laps = session.laps.pick_quicklaps()

# Afficher le top 10
top_10 = best_laps.groupby('Driver')['LapTime'].min().sort_values().head(10)
print(top_10)

Analyse de la télémétrie

L’un des points forts de FastF1 est l’accès à la télémétrie détaillée :

# Récupérer le tour le plus rapide de Verstappen
ver_fastest = session.laps.pick_driver('VER').pick_fastest()

# Charger les données télémétrique
telemetry = ver_fastest.get_telemetry()

# Afficher la vitesse, throttle, brake
print(telemetry[['Speed', 'Throttle', 'Brake', 'Distance']])

Visualisation comparative

Comparons maintenant deux pilotes sur un même tour :

import plotly.graph_objects as go

# Tours les plus rapides de deux pilotes
ver_lap = session.laps.pick_driver('VER').pick_fastest()
ham_lap = session.laps.pick_driver('HAM').pick_fastest()

ver_tel = ver_lap.get_telemetry()
ham_tel = ham_lap.get_telemetry()

# Créer le graphique
fig = go.Figure()

fig.add_trace(go.Scatter(
    x=ver_tel['Distance'],
    y=ver_tel['Speed'],
    name='Verstappen',
    line=dict(color='#0600EF', width=2)
))

fig.add_trace(go.Scatter(
    x=ham_tel['Distance'],
    y=ham_tel['Speed'],
    name='Hamilton',
    line=dict(color='#00D2BE', width=2)
))

fig.update_layout(
    title='Comparaison de vitesse - Monaco 2024',
    xaxis_title='Distance (m)',
    yaxis_title='Vitesse (km/h)',
    hovermode='x unified'
)

fig.show()

Cas d’usage avancés

FastF1 permet également de :

  • Analyser les stratégies pneumatiques
  • Récupérer les données météo en temps réel
  • Comparer les performances sur plusieurs saisons
  • Créer des heatmaps de performance par secteur
  • Analyser l’évolution des temps au tour durant une course

Conclusion

FastF1 est un outil puissant pour tout passionné de F1 et de data science. La documentation est excellente et la communauté très active.

Pour aller plus loin, je vous invite à consulter :

N’hésitez pas à partager vos propres analyses !

Tags : #Python #DataScience #F1 #FastF1 #Analytics