update tp

README.md

@@ -252,21 +252,26 @@ Une fois l'importation terminée, vous cliquez sur le boutton **import** en bas
 
 #### Q9. Grouper par l'âge de 20 à 30 ans, l'âge de 30 à 40 ans et l'âge plus de 40 ans et calculer l'âge moyenne de tout le monde
 **Note**  Vous pouvez utiliser "size" : 0 dans chaque requête, sinon le résultat contient le détail des données.
+
 Résultat attendu
 
 ![reponse1](images/reponse1.png)
 
 #### Q10. Grouper par l'âge de 20 à 30 ans, l'âge de 30 à 40 ans et l'âge plus de 40 ans et calculer le solde moyenne pour chaque groupe
+Résultat attendu
 ![reponse2](images/reponse2.png)
 
 
 #### Q11. Grouper la ville et le sexe et calculer le solde moyenne pour chaque groupe
+Résultat attendu
 ![reponse3](images/reponse3.png)
 
 #### Q12. Chercher la femme de l'âge entre 30 et 40 ans, le solde moyenne et le solde maximum
+Résultat attendu
 ![reponse4](images/reponse4.png)
 
 #### Q13. Chercher dans les villes Rennes et Paris, de personne de l'âge de 30 à 40 ans, pour chaque ville et chaque sexe, le solde moyenne et l'âge moyenne (Indice: On peux utliser la bool requête)
+Résultat attendu
 ![reponse5](images/reponse5.png)
 
 
@@ -317,3 +322,7 @@ Pour la suite de TP, nous vous donnons un dataset rassemble 5 000 tweets contena
 #### Q1. Trouvez les tweets avec le plus de likes
 #### Q2. Trouver l'ID user qui a plus de followers
 #### Q3. Trouver le nombre de twitteurs (les personnes qui ont publié du tweet) par ville (utiliser aggregation & term)
+
+
+#### Étape 4. Désinstallation Elasticsearch
+>pip3 uninstall elasticsearch
\ No newline at end of file