Cours · Ouverture des cours et des parcours disponibles
Cours 03 reconstruit selon le standard MimiReady V8/V7+ : NumPy, pandas, Matplotlib, workflow reproductible, exercices non mécaniques et quiz discriminants.
Données pédagogiques publiées
Aucun objectif pédagogique n’est publié pour ce cours. Les titres de leçons ne sont pas transformés automatiquement en promesses d’apprentissage.
Structure publiée
1 module(s) · 25 leçon(s)
25 leçon(s) · 2h 5min
Python dans l’écosystème data — choisir le bon outil et cadrer le workflow
Comprendre le rôle de Python dans une chaîne data, sans le confondre avec SQL, un tableur ou un outil BI.
Environnement data reproductible — Jupyter, environnement isolé et vérifications
Installer et vérifier un environnement Python data avec une logique de reproductibilité.
Variables et types — nommer proprement l’information manipulée
Utiliser les types Python de base pour représenter des informations exploitables dans une analyse.
Listes et dictionnaires — représenter plusieurs observations
Construire des structures simples pour représenter des séries de valeurs et des enregistrements.
Conditions — appliquer des règles de décision explicites
Utiliser if/elif/else pour catégoriser, filtrer ou contrôler des valeurs.
Boucles — automatiser un traitement sans perdre le contrôle
Parcourir des collections pour produire des résultats répétables et inspectables.
Fonctions — rendre les transformations réutilisables et testables
Créer de petites fonctions pour isoler une règle, la tester et la réutiliser.
Fichiers — lire, écrire et tracer les sorties d’analyse
Manipuler des fichiers texte et CSV de façon sûre, explicite et relançable.
NumPy arrays — comprendre shape, dtype et indexation
Créer et inspecter des tableaux numériques pour calculer efficacement.
Broadcasting et vectorisation — calculer vite sans masquer les dimensions
Utiliser le broadcasting pour appliquer des opérations entre tableaux compatibles.
Pandas DataFrame — créer, lire et comprendre une table
Utiliser le DataFrame comme structure centrale de l’analyse tabulaire.
Inspection et sélection — regarder les bonnes lignes et colonnes
Sélectionner les informations utiles sans perdre le contexte du DataFrame.
Valeurs manquantes — détecter, décider et documenter
Gérer les données manquantes avec une règle explicite plutôt qu’un remplissage automatique.
Types et doublons — fiabiliser une table avant l’analyse
Contrôler les types, convertir les dates et gérer les doublons sans supprimer à l’aveugle.
GroupBy — résumer des groupes sans perdre le sens métier
Agréger une table par catégorie pour produire des indicateurs interprétables.
Merge et join — combiner plusieurs sources sans créer d’erreurs invisibles
Fusionner deux tables avec contrôle des clés, des cardinalités et des lignes non appariées.
Feature engineering — créer des variables utiles et non trompeuses
Créer des colonnes dérivées qui rapprochent la donnée de la question d’analyse.
Matplotlib — choisir un graphique au service de la question
Comprendre la logique figure/axes et choisir un type de graphique pertinent.
Distributions — histogrammes et boxplots pour comprendre la dispersion
Visualiser la forme, la dispersion et les valeurs atypiques d’une variable numérique.
Relations — scatter plots, corrélation visuelle et prudence causale
Observer une relation entre deux variables numériques sans conclure trop vite à la causalité.
Comparaisons catégorielles — bar charts utiles, triés et lisibles
Comparer des catégories avec un diagramme en barres sans masquer les unités ou les volumes.
Personnalisation professionnelle — clarifier sans déformer
Améliorer un graphique avec titres, annotations, légendes et mise en page sobre.
Subplots — assembler plusieurs vues dans une histoire cohérente
Construire une figure multi-vues pour répondre à une question analytique complète.
Projet guidé — analyse reproductible d’un dataset tabulaire
Assembler chargement, audit, nettoyage, transformation, visualisation et conclusion dans un notebook relançable.
Écosystème et progression — choisir la suite selon l’objectif professionnel
Situer NumPy, Pandas, Matplotlib, SQL, scikit-learn, BI et data engineering dans une progression réaliste.
Les ressources du cours sont disponibles après validation de l’accès au contenu.