79 lines
2.8 KiB
Markdown
79 lines
2.8 KiB
Markdown
# Analyse de données en Python
|
|
|
|
Génère un code HTML pour le contenu Markdown ci-dessous. Les titres de niveau 2 doivent être traduits en balises h4. Les listes à puces doivent être traduites en paragraphes dont les éléments sont simplement séparés par des balises br. Après chaque chapitre, ajoute une balise p avec du texte dans une balise strong, qui propose un thème d'atelier ou un objectif à atteindre à l'issue du chapitre. Le texte peut prendre la forme "Atelier : ..." ou "Objectif : ...".
|
|
|
|
## Découvrir l'outil Jupyter
|
|
|
|
- Qu'est-ce que Jupyter ?
|
|
- Avantages de Jupyter pour l'analyse de données
|
|
- Installer Jupyter et lancer un serveur Jupyter
|
|
|
|
## Création de données avec Python, Numpy et Pandas
|
|
|
|
- Qu'est-ce que NumPy ?
|
|
- Création et manipulation de tableaux (1D et 2D)
|
|
- Générer des séquences de valeurs
|
|
- Introduction à scikit-learn
|
|
|
|
## Découverte de Pandas
|
|
|
|
- Types de base
|
|
- Manipuler et comprendre les séries
|
|
- Manipuler et comprendre les dataframes
|
|
- Appliquer des calculs et des transformations
|
|
- Filtrer des résultats
|
|
- Configurer l'affichage de contenu dans Pandas
|
|
- Comprendre les index
|
|
|
|
## Calculer dans Pandas
|
|
|
|
- Appliquer des fonctions d'agrégation (statistiques etc.)
|
|
- Conversion des types (Dates, précision des types, etc.)
|
|
- Opérations et comparaisons sur les séries et dataframes
|
|
- Concepts de base en analyse statistique ou financière
|
|
|
|
## Chargement et export de données avec Pandas
|
|
|
|
- Protocoles pris en charge (https, file)
|
|
- Chargement de fichiers CSV (inférence, dates, en-têtes, encodage)
|
|
- Chargement de fichiers Excel (moteurs de chargement : xlrd, openpyxl etc.)
|
|
- Prise en charge des archives (zip, gz, bz2, xz)
|
|
- Chargement depuis SQLite3 (ou SQLAlchemy)
|
|
- Formats de sauvegarde classiques (Excel, CSV)
|
|
- Formats SQL (connexion SQLAlchemy ou SQLite3)
|
|
- Format Pickle
|
|
|
|
## Introduction à l'analyse exploratoire avec Pandas et Matplotlib
|
|
|
|
- Présentation de Matplotlib
|
|
- Exemples simples (création de diagrammes matplotlib)
|
|
- Générer un diagramme en barres
|
|
- Générer un diagramme en lignes
|
|
- Générer un diagramme en secteurs
|
|
- Générer un nuage de points
|
|
|
|
## Introduction à l'analyse exploratoire avec Pandas et Plotly
|
|
|
|
- Présentation de Plotly
|
|
- Créer un simple tracé pour une matrice de corrélation (heatmap)
|
|
- Générer des diagrammes en barres et en lignes
|
|
|
|
## Générer des tableaux de bord interactifs avec Pandas, Plotly et Dash
|
|
|
|
- Présentation de Dash
|
|
- Générer un tableau de bord simple avec Dash
|
|
- Interactivité dans un tableau de bord Dash
|
|
|
|
## Concurrence et parallélisme dans le traitement de données
|
|
|
|
- Optimisation des performances via la parallélisation/threading
|
|
- Celery (Linux seulement)
|
|
- Paralléliser Pandas avec Modin ou Dask
|
|
|
|
## Outils et bibliothèques de performance Python
|
|
|
|
- Accélération avec Numba, Nuitka, PyPy
|
|
- Mesurer le temps d'exécution de votre code
|
|
- Découvrir le Profiling
|
|
|