Python initiation
Objectifs pédagogiques
- Manipuler une session de travail Python
- Distinguer les objets Python
- Mettre en œuvre des fonctions de Python pour manipuler un jeu de données
Programme détaillé
La formation est consacrée à la présentation des fonctionnalités de base du langage Python, accompagnée d’exemples d’utilisation. Les stagiaires mettront en œuvre le langage, sous la forme d’exercices d’application.
Généralités 2h
- Présentation et installation de Python
- Prise en main et premiers pas dans un notebook Jupyter
- Fonctions, modules et packages
- Utilisation des aides
Les objets de Python 3h
- Types de base : nombres, chaînes de caractères, booléens
- Listes, tuples et dictionnaires
- Séries et DataFrames pandas
- Variables catégorielles
Manipulation de données avec Python 3h
- Importation et exportation de données
- Création et recodage de variables
- Sélection et regroupements de données
Initiation au graphe avec Python 2h
- Manipulation des fenêtres graphiques
- Réalisation et personnalisation de graphes de base avec Python
Atelier : premières analyses de statistique descriptive avec Python 2h
Public visé
Toute personne souhaitant s’initier au langage Python.
Parmi nos formations au langage Python, cette formation est le niveau 1. Elle ne nécessite pas une maîtrise préalable de Python, mais une expérience de la programmation est conseillée.
Si vous avez déjà des bases en Python et souhaitez vous perfectionner, vous serez peut-être intéressé(e) par la formation Python intermédiaire.
Prérequis
Aucun
Approche pédagogique
Calculés à partir de 239 avis recueillis depuis 28/03/2017, lors de 33 sessions de cette formation.
Python, pandas, Jupyter : les trois briques de l'analyse de données en Python
Quand on parle d’« analyser des données en Python », on désigne en réalité l’assemblage de trois projets indépendants, nés à des époques différentes : un langage généraliste, une bibliothèque de tableaux de données et un environnement de travail interactif. Connaître le rôle de chacun aide à comprendre les messages d’erreur, et à chercher de l’aide au bon endroit.
Le langage : Python
Python a été publié en 1991 par le programmeur néerlandais Guido van Rossum, avec un objectif de lisibilité : l’indentation y fait partie de la syntaxe. Ses types de base (nombres, chaînes, listes, tuples, dictionnaires) ne sont pas pensés pour la statistique. Une étape marquante de son histoire est le passage de Python 2 à Python 3, dont la compatibilité était incomplète. Python 2 n’est plus maintenu depuis le 1er janvier 2020, et les exemples de code trouvés en ligne qui écrivent print "texte" sans parenthèses datent de cette époque.
Les tableaux : pandas
La bibliothèque pandas a été créée en 2008 par Wes McKinney, alors analyste chez le gestionnaire de fonds AQR Capital Management, puis rendue libre fin 2009. Son nom vient de panel data, les données de panel des économètres. Elle apporte à Python ce que R possédait avec le data frame : un tableau dont les colonnes ont chacune leur type, avec des noms de lignes et de colonnes.
Les variables catégorielles en sont un bon exemple. Déclarer l’ordre des modalités évite qu’elles soient triées par ordre alphabétique :
import pandas as pd
df = pd.DataFrame({"diplome": ["Licence", "Bac", "Master", "Brevet"]})
df["diplome"] = pd.Categorical(df["diplome"], categories=["Brevet", "Bac", "Licence", "Master"], ordered=True)
df.sort_values("diplome") # Brevet, Bac, Licence, Master (et non Bac, Brevet…)
df["diplome"] >= "Licence" # comparaison selon l'ordre déclaré
L’environnement : Jupyter
Le notebook Jupyter est issu du projet IPython, lancé en 2001 par le physicien Fernando Pérez. En 2014, la partie indépendante du langage prend le nom de Jupyter, pour Julia, Python et R. Un notebook mêle code, résultats et texte, ce qui en fait un bon outil d’exploration. Il a un piège : les cellules peuvent être exécutées dans n’importe quel ordre, et l’état en mémoire ne correspond alors plus au code affiché. Avant de partager un notebook, le réexécuter entièrement depuis le début (« Restart & Run All ») permet de vérifier qu’il fonctionne.
La suite du parcours, Python intermédiaire, approfondit pandas.
