Librairies Python de Data Science

Objectifs

• Savoir choisir les librairies Python adéquates dans des projets de données


• Maîtriser NumPy, Pandas, Matplotlib, Seaborn et Plotly


• Être autonome dans l'analyse, le nettoyage et la visualisation de données

Description

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()

• 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…)


•  


•  

• 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


•  


• Cartes thermiques : heatmap()


• Modèles de régression linéaire : lmplot()


• Personnalisation : set_theme(), set_style(), set_context(), despine()

• 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


• atter_geo(), et choropleth()