1

L’écosystème Python scientifique

• Présentation des packages Python de data science.
• Installation de bibliothèques en environnement virtuel: pip et le module venv, miniconda, mamba, miniforge, WinPython.
• Environnement de développement.
• Utiliser les environnements IPython, Jupyter Notebook, JupyterLab, IDE : l'exemple de Spyder.
• Découvrir l’éditeur de texte : VS Code.

2

La bibliothèque NumPy

• Introduction et création de tableaux.
• Présentation de la librairie NumPy.
• Avantages des tableaux (performance, manipulation des données).
• Création de tableaux avec array(), zeros(), ones(), full(), arange(), linspace(), logspace().
• Multiplication matricielle avec np.dot et l'opérateur @.
• Initialisation avec des données aléatoires (module random).
• Manipuler des tableaux et opérations.
• Indexation, slicing, et indexation avancée.
• Transposer et changer de dimensions de tableaux (transpose(), reshape()).
• Concaténer et découper des tableaux (concatenate(), split()).
• Manipuler les fonctions classiques et mathématiques (sum(), min(), max(), median().
• Comparer et masquer des données avec des masques booléens.
• Gestion des données et visualisation.
• Charger et sauvegarder des tableaux (loadtxt(), save(), load()).
• Utiliser l'option axis dans les fonctions.
• Extraire les informations des données.
• Utiliser les pratiques de visualisation : choix des modules et types de graphiques.
• Générer de graphiques interactifs.

3

La bibliothèque Pandas

• Introduction et structures de données.
• Présentation de la bibliothèque Pandas.
• Création de séries avec la classe series.
• Création de tableaux 2D ou DataFrame avec la classe DataFrame.
• Extraction des indices de ligne et de colonne (attributs index et columns).
• Lire et exporter des données dans différents formats (csv, xls).
• Mettre en œuvre les méthodes de base : head() et tail().
• Indexation et slicing : implicite, explicite, et utilisation des indexeurs loc et iloc.
• Sélectionner des données et utiliser des expressions booléennes.
• Manipulation et transformation des données.
• Insérer et modifier des données.
• Renommer des colonnes avec rename().
• Concaténer des données avec concat() et fusion/jointure avec merge() et join().
• Copier des données : copie superficielle ou profonde (copy()).
• Traiter des données manquantes (isna(), isnull(), notna(), notnull(), dropna(), fillna(), interpolate()).
• Manipuler des indices : set_index(), sort_index().
• Trier les valeurs avec sort_values().
• Transposer des données avec transpose().

4

Analyse et agrégation des données

• Agrégation des données : sum(), cumsum(), min(), max(), count(), mean(), median(), var(), std(), quantile(), describe()
• Groupement et analyse avec groupby().
• Utiliser des fonctions aggregate(), apply(), filter(), transform().
• Créer de tableaux croisés dynamiques avec pivot_table().
• Segmenter les données avec qcut() et cut().
• Calculer des moyennes glissantes avec rolling(), expanding(), ewm().
• Traiter des données temporelles à travers to_datetime(), to_timedelta(), date_range(), period_range()...

5

La bibliothèque Matplotlib

• Introduction et création de graphiques.
• Présentation de la bibliothèque.
• Afficher des graphiques depuis un script Python (plt.show()) ou depuis un notebook.
• Utiliser le style MATLAB ou le style orienté objet pour afficher les graphiques.
• Modifier le style des graphiques.
• Objets figure et axes.
• Tracer des courbes avec plot().
• Types de graphiques et interactions.
• Afficher des nuages de points avec scatter().
• Afficher des barres d'erreurs avec error_bar().
• Remplir la surface entre deux lignes avec fill_between().
• Tracer des histogrammes avec hist().
• Tracer des graphiques en 3D avec mplot3d.
• Interagir avec les graphiques dans Jupyter notebook avec le widget interact.
• Utiliser pandas plot pour créer des tracés rapidement : plot(), bar(), barh(), hist(), box(), scatter(), pie().

6

La bibliothèque Seaborn

• Introduction à Seaborn et fonctionnalités de base.
• Fonctionnement de l'API Seaborn : distinction entre les plots de niveau figure et de niveau axes.
• Relational Plots : utiliser des fonctions pour tracer des relations entre variables.
• Tracer des distributions : utiliser des fonctions pour visualiser des distributions de données.
• Données qualitatives : tracer des données catégorielles.
• Cartes thermiques : utiliser la fonction heatmap() pour tracer des cartes thermiques.
• Modèles de régression linéaire : tracer des modèles de régression avec lmplot().
• Personnalisation des graphiques : changer le rendu de la figure avec les fonctions.

7

La bibliothèque 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, etc..
• 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, color_continuous_
• Graphiques en 3D : utilisation de scatter_3d() et line_3d().
• Mettre en forme des diagrammes en barres avec bar() et des histogrammes avec histogram().
• Tracer des cartes avec line_map(), scatter_map(), line_geo(), scatter_geo(), et choropleth().