Public visé

• Data analysts
• Développeurs Python

Prérequis

• Maîtriser les bases de Python (variables, types, boucles, conditions, fonctions, fichiers)

Méthodes pédagogiques

• Apports théoriques : exposés interactifs avec diaporama
• Mise en pratique : TP individuels, exercices progressifs sur données financières réelles
• Pédagogie active : résolution de problèmes collaboratifs
• Alternance théorie/pratique : ratio 30 % théorie / 70 % pratique
• Support de cours remis aux stagiaires
• QCM mi-parcours (15 questions) et Passage de la certification API Society RS6701 en fin de session

Certification visée : RS6701 — Manipuler, analyser et visualiser des données grâce aux modules Python de Data Science —

Programme détaillé

Jour 1 — L'écosystème Python scientifique & NumPy

• Tour d'horizon des packages Python de Data Science
• Installation de bibliothèques scientifiques : pip, venv, miniconda, mamba, miniforge, WinPython
• Environnement de développement : IPython, Jupyter Notebook, JupyterLab, Spyder, VS Code
• Présentation de la librairie NumPy
• Avantages des tableaux (performance, représentation des données)
• Création de tableaux avec array(), zeros(), ones(), full(), arange(), linspace(), logspace()
• Multiplication matricielle avec np.dot et l'opérateur @
• Matrice identité avec identity() et eye(), matrice diagonale avec diag()
• Initialisation avec des données aléatoires (module random de NumPy)
• Types de données et attributs ndim, shape, size, dtype, itemsize, nbytes
• Indexation, slicing, indexation avancée et broadcasting
• Transposer et changer les dimensions de tableaux (transpose(), reshape(), newaxis())
• Concaténer et découper des tableaux (concatenate(), vstack(), hstack(), split())
• Fonctions sum(), min(), max(), median(), percentile(), cumsum(), var(), argmin(), argmax()
• Masques booléens pour extraire des informations
• Charger et sauvegarder les tableaux : loadtxt(), save(), load()

Jour 2 — Manipulation de données avec Pandas

• Présentation de la librairie Pandas
• Créer une Series et un DataFrame
• Extraire les indices de ligne et de colonnes (attributs index et columns)
• Lire et exporter des données (CSV, Excel…)
• Exploration de données : head(), tail(), info(), describe(), dtypes
• Indexation implicite et explicite avec loc et iloc
• Sélection avancée : expressions booléennes, méthode query()
• Concaténer des données avec concat(), fusion et jointure : merge() et join()
• Valeurs manquantes : isna(), dropna(), fillna(), interpolate()
• Trier les données : sort_index(), sort_values()
• Supprimer des données et doublons : drop(), drop_duplicates()
• Fonctions d'agrégation : sum(), cumsum(), min(), max(), mean(), median(), var(), std(), quantile()
• Grouper et analyser : groupby(), aggregate(), apply(), filter(), transform()
• Tableaux croisés dynamiques : pivot_table()
• Moyennes glissantes : rolling(), expanding(), ewm()
• Multi-indices : MultiIndex.from_product(), from_tuple(), from_arrays()
• Chaînes de caractères et expressions régulières avec Pandas
• Données temporelles : to_datetime(), date_range(), asfreq(), resample()

Jour 3 — Visualisation avec Matplotlib & Seaborn

• Présentation de Matplotlib : style MATLAB vs style orienté objet
• Les objets Figure et Axes
• Tracer des courbes : plot() — couleur, style, largeur, titre, légende
• Nuages de points : scatter()
• Barres d'erreurs : errorbar()
• Remplissage entre courbes : fill_between()
• Histogrammes : hist()
• Graphiques multiples avec subplots() et graphiques 3D avec mplot3d
• Pandas plot : méthodes plot(), bar(), barh(), hist(), box(), scatter(), pie()
• Présentation de Seaborn : API Figure-level et Axes-level
• Relational plots : relplot(), lineplot(), scatterplot()
• Distributions : displot(), histplot(), jointplot(), pairplot()
• Données qualitatives : catplot(), barplot(), countplot(), boxplot(), violinplot()
• Cartes thermiques : heatmap()
• Modèles de régression linéaire : lmplot()
• Personnalisation : set_theme(), set_style(), set_context(), despine()

Jour 4 — Visualisation interactive avec Plotly

• Présentation de la librairie Plotly et de Kaleido : introduction et exploration de Plotly Express
• Tracer des courbes avec line() : modification de la figure avec les options title, width, height, marker, labels
• Ajout d'informations : hover_data, hover_name, text
• Graphiques multiples : facet_row, facet_col
• Modifier le style : option template, thème par défaut
• Créer des graphiques en aires avec area() : ajout de motifs avec pattern_shape
• Créer des nuages de points avec scatter() : utilisation des options size, size_max, opacity, symbol
• Barre de couleur : color_continuous_scale, update_layout(), update_coloraxes()
• Mettre en forme des diagrammes en barres avec bar() et des histogrammes avec histogram()
• Graphiques 3D : utilisation de scatter_3d() et line_3d()
• Tracer des cartes avec line_map(), scatter_map(), line_geo(), scatter_geo(), et choropleth()