Python pour la Data Science Analysez vos données par la pratique avec NumPy, Pandas, Matplotlib et Seaborn

30375 CFA

Ce livre sur la Data Science avec le langage Python, alliant théorie et pratique, s’adresse aussi bien aux étudiants et professionnels (ingénieurs, chercheurs, enseignants, data scientists), qu’aux informaticiens souhaitant apprendre à analyser des données avec Python.

La première partie du livre vise à introduire le langage Python et son utilisation dans le domaine de l’analyse de données. Le lecteur y découvre la mise en place de l’environnement de travail ainsi que des rappels sur le langage Python.

Dans une deuxième partie, le lecteur apprend à manipuler efficacement ses données grâce aux librairies NumPy et Pandas. Chaque notion est introduite théoriquement puis illustrée par un exemple concret permettant de comprendre son application. Il apprend à importer ses données sous Python et à utiliser les fonctions, méthodes et attributs fournis pour les explorer et les manipuler afin d’en faire ressortir des informations et tendances.

Dans une troisième partie, le lecteur apprend à visualiser ses données avec les librairies Matplotlib et Seaborn, lui permettant de comprendre l’architecture et le fonctionnement de la création de figures avec Python, ainsi que les types de graphiques à utiliser selon le type de variables à représenter.

Enfin, dans le dernier chapitre, l’auteur propose un exercice complet avec sa correction permettant de mettre en pratique les notions étudiées. Il permet au lecteur d’écrire le code permettant de répondre aux questions de l’exercice.

  Poser une question
Comparer

Table des matières

  • Avant-propos et introduction
    • 1. Avant-propos
    • 2. Python et l’analyse de données
      • 2.1 L’explosion des données
      • 2.2 L’analyse de données
      • 2.3 R et Python pour l’analyse de données
    • 3. Connaître les sources de données libres
      • 3.1 Kaggle
      • 3.2 Les données gouvernementales
    • 4. Déroulement du livre
  • Mise en place de l’environnement de travail
    • 1. Introduction : pourquoi utiliser Python pour la Data Science ?
    • 2. Introduction à IPython et Jupyter
      • 2.1 Introduction à IPython
      • 2.2 Le projet Jupyter
    • 3. Qu’est-ce qu’Anaconda ?
    • 4. Installation d’Anaconda
      • 4.1 Installation sur Windows
      • 4.2 Installation sur MacOS
      • 4.3 Installation sur Linux
    • 5. Découverte d’Anaconda Navigator
      • 5.1 Applications disponibles dans Anaconda Navigator
      • 5.2 Gestion des packages et environnements
    • 6. Prise en main de Jupyter Notebook
      • 6.1 Tableau de bord de Jupyter Notebook
      • 6.2 Premiers pas avec les notebooks
      • 6.3 Comprendre l’interface des notebooks
        • 6.3.1 La barre de menus
        • 6.3.2 La barre d’outils
        • 6.3.3 Les cellules
        • 6.3.4 Les modes Commande et Edition et les raccourcis-clavier
        • 6.3.5 Les bases du langage Markdown pour écrire dans un notebook
        • 6.3.6 Partager son notebook
    • 7. Les packages Python essentiels pour la Data Science
      • 7.1 NumPy
      • 7.2 Pandas
      • 7.3 Matplotlib
      • 7.4 Seaborn
  • Rappels sur le langage Python
    • 1. Introduction sur le langage de programmation Python
    • 2. Les variables
    • 3. Les différents types de données (int, float, bool, str)
      • 3.1 Les nombres réels et entiers
      • 3.2 Les booléens
      • 3.3 Les chaînes de caractères
    • 4. Les structures de données basiques (listes, tuples et dictionnaires)
      • 4.1 Les listes
        • 4.1.1 Créer une liste
        • 4.1.2 Accéder aux éléments d’une liste
        • 4.1.3 Ajouter et supprimer des éléments à une liste
      • 4.2 Les tuples
      • 4.3 Les dictionnaires
        • 4.3.1 Introduction aux dictionnaires
        • 4.3.2 Ajouter, modifier et supprimer des éléments d’un dictionnaire
        • 4.3.3 Parcourir un dictionnaire
    • 5. Les opérateurs arithmétiques, relationnels et logiques
      • 5.1 Les opérateurs arithmétiques
      • 5.2 Les opérateurs relationnels et logiques
        • 5.2.1 Les opérateurs relationnels
        • 5.2.2 Les opérateurs logiques
    • 6. Vocabulaire en Python : fonctions, méthodes, attributs, modules et librairies (packages)
      • 6.1 Fonctions
      • 6.2 Méthodes
      • 6.3 Attributs
      • 6.4 Modules
      • 6.5 Librairies (packages)
    • 7. Instructions de condition if et boucles for
      • 7.1 Instruction de condition if
      • 7.2 Boucle for
  • Maîtriser la librairie NumPy
    • 1. Introduction à NumPy
    • 2. Les tableaux NumPy
      • 2.1 Créer un ndarray
        • 2.1.1 Créer un ndarray à partir de listes
        • 2.1.2 Créer un ndarray grâce à des fonctions NumPy
        • 2.1.3 Créer un ndarray à partir d’un fichier
      • 2.2 Indexation
        • 2.2.1 Indexation simple
        • 2.2.2 Indexation booléenne
        • 2.2.3 Fancy indexing
      • 2.3 Accéder aux éléments par tranche (slicing)
        • 2.3.1 Slicing sur un tableau NumPy à 1 dimension
        • 2.3.2 Slicing sur un tableau NumPy à 2 dimensions
      • 2.4 Notion de vue et copie
    • 3. Les opérations mathématiques avec NumPy
      • 3.1 Les opérations arithmétiques
      • 3.2 Les fonctions d’agrégations
    • 4. Inspecter un tableau grâce aux attributs de NumPy
    • 5. Manipuler des tableaux NumPy
      • 5.1 Ajouter et supprimer des éléments dans un tableau
        • 5.1.1 Ajouter des éléments dans un tableau
        • 5.1.2 Supprimer des éléments d’un tableau
      • 5.2 Diviser un tableau NumPy (split, hsplit et vsplit)
        • 5.2.1 Sur un tableau à une dimension
        • 5.2.2 Sur un tableau à deux dimensions
      • 5.3 Concaténer/combiner des tableaux
        • 5.3.1 La fonction concatenate()
        • 5.3.2 Les fonctions vstack() et hstack()
    • 6. Introduction aux matrices avec NumPy
  • Maîtriser la librairie Pandas
    • 1. Introduction
      • 1.1 Introduction à la librairie Pandas
      • 1.2 Introduction au jeu de données utilisé pour les exemples
    • 2. Lire et écrire des fichiers avec Pandas
      • 2.1 Lecture de fichiers texte (CSV ou TXT)
        • 2.1.1 Lecture basique d’un fichier
        • 2.1.2 Gestion de l’en-tête
        • 2.1.3 Gestion des index
        • 2.1.4 Création d’un tableau à une dimension à partir du fichier
        • 2.1.5 Filtrage des colonnes lors de la lecture du fichier
        • 2.1.6 Les types des différentes colonnes
        • 2.1.7 Gestion des dates lors de la lecture du fichier
      • 2.2 Lecture de fichiers Excel
      • 2.3 Importation des données à partir d’une base de données
      • 2.4 Lecture de fichiers au format JSON
      • 2.5 Écriture de fichiers ou exportation de données
    • 3. Structure de données Pandas : les Series (Séries)
      • 3.1 Introduction
      • 3.2 Créer des séries
        • 3.2.1 À partir de valeurs aléatoires
        • 3.2.2 À partir d’une liste Python
        • 3.2.3 À partir d’un tableau NumPy (ndarray)
        • 3.2.4 À partir d’un fichier texte
      • 3.3 Choisir l’index d’une série
      • 3.4 Accéder aux valeurs d’une série
        • 3.4.1 Indexing via la position des valeurs
        • 3.4.2 Indexing via l’étiquette des valeurs
        • 3.4.3 Les indexeurs loc et iloc
        • 3.4.4 Indexing via une expression booléenne
        • 3.4.5 Slicing : découpage de valeurs successives
      • 3.5 Les attributs et les méthodes des objets de classe Series
        • 3.5.1 Les attributs des objets de classe Series
        • 3.5.2 Les méthodes des objets de classe Series
      • 3.6 Ajouter, supprimer et modifier les valeurs d’une série
        • 3.6.1 Ajouter des valeurs à une série
        • 3.6.2 Supprimer une valeur d’une série
        • 3.6.3 Modifier les valeurs d’une série
    • 4. Structure de données Pandas : les objets de type DataFrame
      • 4.1 Introduction
      • 4.2 Indexing : sélectionner des valeurs d’un dataframe
        • 4.2.1 Indexing et slicing avec l’attribut loc
        • 4.2.2 Indexing et slicing avec l’attribut iloc
        • 4.2.3 Indexing avec une expression booléenne
      • 4.3 Ajout, suppression et modification sur un dataframe
        • 4.3.1 Ajouter une ou plusieurs colonnes à un dataframe
        • 4.3.2 Ajouter une ligne à un dataframe
        • 4.3.3 Supprimer des lignes ou colonnes d’un dataframe
        • 4.3.4 Modifier des valeurs dans un dataframe
      • 4.4 Nettoyage et préparation des données avec Pandas
        • 4.4.1 Gestion des données manquantes
        • 4.4.2 Gestion des données dupliquées
      • 4.5 Exploration préliminaire d’un dataframe
        • 4.5.1 Principaux attributs
        • 4.5.2 Définition des termes variable, variable quantitative et variable qualitative et découverte de la méthode describe()
        • 4.5.3 Méthodes de tri d’un dataframe
    • 5. Structure de données Pandas : les panels
    • 6. Manipulation avancée des données avec Pandas
      • 6.1 Les opérations groupby
        • 6.1.1 groupby sur une colonne
        • 6.1.2 groupby sur plusieurs colonnes
        • 6.1.3 Appliquer plusieurs fonctions avec la méthode groupby et la méthode aggregate
      • 6.2 Appliquer une fonction à un dataframe avec la méthode apply
      • 6.3 Remodeler/réorganiser des dataframes
        • 6.3.1 Pivotage : la méthode pivot_table
        • 6.3.2 Les méthodes stack (empiler) et unstack (désempiler)
  • Maîtriser la librairie Matplotlib
    • 1. Introduction
    • 2. Le fonctionnement de Matplotlib
      • 2.1 Architecture de Matplotlib
      • 2.2 Organisation des figures avec Matplotlib
    • 3. La création d’un premier graphique simple
      • 3.1 Préparer son jeu de données
      • 3.2 Créer un nuage de points
      • 3.3 Ajouter un titre principal et des labels aux axes du nuage de points
      • 3.4 Enregistrer son graphique
      • 3.5 Changer la taille de la fenêtre graphique et la résolution de son graphique
      • 3.6 Tracer plusieurs courbes sur un même graphique (sur un même objet axes)
      • 3.7 Ajouter une légende à son graphique
      • 3.8 Annoter son graphique avec du texte
      • 3.9 Combiner plusieurs graphiques grâce à subplot et subplots
        • 3.9.1 Tracer des sous-graphiques (subplot) sur une ligne ou une colonne
        • 3.9.2 Tracer des sous-graphiques sur plusieurs lignes et plusieurs colonnes
        • 3.9.3 Incruster un objet axes dans un autre
    • 4. Les différents types de graphes
      • 4.1 Types de graphiques selon les types de variables (quantitatives et qualitatives)
      • 4.2 Scatterplot
      • 4.3 Graphique à barres (bargraph)
        • 4.3.1 Graphique à barres simple
        • 4.3.2 Graphique à barres groupées
        • 4.3.3 Graphique à barres empilées
      • 4.4 Boxplots
  • Maîtriser la librairie Seaborn
    • 1. Introduction
    • 2. L’esthétique des figures avec Seaborn (Aesthetic)
      • 2.1 Paramétrer les styles Seaborn (thèmes)
      • 2.2 Supprimer les axes
      • 2.3 Paramétrer les contextes avec Seaborn
      • 2.4 Les palettes de couleur avec Seaborn
        • 2.4.1 Choisir une palette de couleurs existante
        • 2.4.2 Créer sa propre palette de couleurs
    • 3. Les différents types de graphiques
      • 3.1 Préparation du jeu de données
      • 3.2 Nuage de points (scatterplot)
      • 3.3 Graphiques de régression
      • 3.4 Pointplot
      • 3.5 Nuage de points avec une variable qualitative : stripplot
      • 3.6 Boxplots
      • 3.7 Graphique à barres : countplot
      • 3.8 Histogrammes
      • 3.9 Jointplot
      • 3.10 Pairplot
      • 3.11 Heatmap
    • 4. Les graphiques multi-grilles
      • 4.1 FacetGrid
      • 4.2 PairGrid
      • 4.3 JointGrid
    • 5. Conclusion
  • Exercice complet sur jeu de données réel
Catégorie

Avis des clients

0.0
0 avis

Il n'y a pas encore d'avis.

Soyez le premier à donner votre avis sur “Python pour la Data Science Analysez vos données par la pratique avec NumPy, Pandas, Matplotlib et Seaborn”

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Plus d'offres pour ce produit!

Questions et demandes générales

Il n'y a pas encore de demandes de renseignements.