Realiser ses analyses statistiques avec Python

- Introduction et mise en place de l'environnement

• Installation et configuration des environnements (Anaconda, Jupyter Notebook)


• Présentation des bibliothèques Python clés pour les statistiques (Pandas, Matplotlib, Scipy, Statsmodels)

- Manipulation et nettoyage des données

• Chargement et exploration des données avec Pandas
  
  
  
  • Lecture/écriture de fichiers CSV, Excel, JSON
  
  
  • Traitement des données manquantes
  
  
  • Gestion des types de données et transformations
  
  
  
  

- Analyses exploratoires des données (EDA)

• Calculs de statistiques descriptives
  
  
  
  • Moyennes, médianes, quartiles, variance, écart-type
  
  
  • Création de résumés statistiques groupés
  
  
  
  


• Visualisations avec Matplotlib et Seaborn
  
  
  
  • Histogrammes, boxplots, nuages de points
  
  
  
  

- Introduction aux tests statistiques

• Bases des tests d'hypothèses
  
  
  
  • Concepts : p-value, seuils de significativité, hypothèses nulle et alternative
  
  
  
  


• Tests courants avec SciPy
  
  
  
  • Test t (indépendant et pairé)
  
  
  • Tests de normalité (Shapiro-Wilk)
  
  
  • Tests du chi-carré pour les tables de contingence
  
  
  
  


• Interprétation des résultats

- Régression linéaire et introduction à la modélisation

• Introduction aux modèles linéaires
  
  
  
  • Régression linéaire simple avec Statsmodels
  
  
  • Analyse des coefficients et des résidus
  
  
  
  


• Régression multiple
  
  
  
  • Construction d'un modèle avec plusieurs variables explicatives
  
  
  • Validation du modèle (tests de significativité, R²)
  
  
  
  


• Introduction à la régression logistique
  
  
  
  • Concepts de base et mise en œuvre pour les données catégoriques
  
  
  
  

- Découvrir les principales méthodes d'analyse multidimensionnelle des données à l'aide de la bibliothèque Prince