Python intermédiaire

Publiée le 21 janvier 2026, la version 3.0 de pandas est la première version majeure depuis la 2.0 d’avril 2023. Elle modifie deux comportements que tout utilisateur rencontre : ce qui se passe quand on modifie une sélection, et le type des colonnes de texte. Une partie du code écrit avant 2026, y compris dans les réponses trouvées en ligne, ne produit donc plus le même résultat.

Copy-on-Write : la fin de l’affectation en chaîne

Jusqu’à la version 2, une sélection pouvait être une vue, qui partage la mémoire avec le tableau d’origine, ou une copie, selon des règles internes difficiles à prévoir. C’était la raison d’être du fameux avertissement SettingWithCopyWarning. Avec pandas 3.0, le mécanisme dit Copy-on-Write devient la règle unique : toute sélection se comporte comme une copie. L’affectation « en chaîne », qui enchaîne un filtre puis une affectation, ne modifie donc plus jamais le tableau d’origine :

import pandas as pd

df = pd.DataFrame({"region": ["Nord", "Sud", "Est"], "montant": [120.0, 80.0, 200.0]})

df[df["montant"] > 100]["montant"] = 0       # sans effet, avec un simple avertissement
df.loc[df["montant"] > 100, "montant"] = 0   # la bonne forme : une seule opération .loc

La première ligne ne provoque pas d’erreur : pandas émet un avertissement (ChainedAssignmentError) et le tableau reste inchangé. Les .copy() ajoutés par précaution pour faire taire l’ancien avertissement deviennent inutiles.

Le texte n’est plus de type object

Les colonnes de texte avaient jusqu’ici le type générique object, hérité de NumPy, capable de contenir n’importe quel objet Python. Elles reçoivent désormais un type dédié, str, qui s’appuie sur la bibliothèque PyArrow lorsqu’elle est installée. En pratique, df.dtypes affiche str, un test comme df["region"].dtype == object n’est plus vrai, et les opérations sur les chaînes sont plus rapides. Pour migrer un code existant, l’équipe de pandas conseille de passer d’abord par la version 2.3 et d’y faire disparaître tous les avertissements.

apply ou vectorisation

Une autre source de lenteur n’a pas changé avec la version 3.0 : appliquer une fonction ligne par ligne avec apply(..., axis=1) revient à exécuter une boucle Python, alors qu’une opération sur des colonnes entières est exécutée en code compilé.

ventes["ca"] = ventes.apply(lambda ligne: ligne["prix"] * ligne["quantite"], axis=1)   # boucle Python
ventes["ca"] = ventes["prix"] * ventes["quantite"]                                    # vectorisé

Sur un million de lignes, la seconde écriture est plusieurs centaines de fois plus rapide. apply reste utile quand un calcul ne s’exprime pas en opérations sur des colonnes, et c’est à ces cas qu’il vaut mieux le réserver.

Ces notions prolongent les bases vues en Python initiation ; la formation Python expert — Machine learning engineer s’appuie à son tour sur elles.