Manipuler, analyser et visualiser des données grâce aux modules Python de Data Science

Module 1 : Installer et configurer l’écosystème Python scientifique

• Installation de Python et gestion des versions
• Création et gestion d’un environnement virtuel
• Installation des modules et paquets scientifiques (NumPy, Pandas, Matplotlib, Seaborn, Plotly)
• Prise en main d’un environnement de développement scientifique (Jupyter Notebook, IDE)
• Utilisation d’outils collaboratifs (notebooks partagés, versioning Git)
• Recherche et évaluation de nouvelles librairies selon un besoin métier

Module 2 Charger, nettoyer et préparer des données

• Chargement de données (CSV, Excel, JSON…) dans un tableau de données
• Exploration initiale des données (types, valeurs manquantes, structure)
• Nettoyage des données : gestion des valeurs manquantes (remplacement, suppression) et transformation des types de données
• Création et utilisation de masques pour extraire des données
• Filtrage des données : par conditions logiques, par plages temporelles, via expressions rationnelles (regex)
• Rééchantillonnage et changement de fréquence des données

Module 3 Manipuler des données tabulaires avec NumPy et Pandas

• Maîtrise des tableaux à n-dimensions (ndarray) et des types de données
• Manipulation des Series et DataFrame (
• Indexation des données : indexation implicite (position) et indexation explicite (clé alphanumérique)
• Tri des données selon indices et valeurs
• Transformation des données : transposition, pivot et tableaux croisés dynamiques
• Gestion des index multiples (multi-index)
• Fusion et empilement de données (concaténation, merge, join)
• Structuration des données pour l’analyse métier

Module 4 :  Calculer, analyser et interpréter des données

• Opérations vectorisées pour optimiser les performances
• Application de fonctions sur les données (colonnes/lignes)
• Utilisation des fonctions universelles
• Calculs statistiques descriptifs : moyenne, médiane, min, max et écart-type, centiles
• Création de nouvelles variables (features engineering simple)
• Regroupement de données et agrégation (groupby)
• Calcul de moyennes glissantes
• Utilisation du broadcasting pour les calculs
• Application de fonctions personnalisées et anonymes
• Interprétation des résultats dans un contexte métier

Module 5 :  Visualiser et communiquer des données

• Choix des bibliothèques de visualisation (Matplotlib, Seaborn, Plotly)
• Création de graphiques 2D (y = f(x))
• Sélection du type de graphique adapté : – histogramme, diagramme en colonnes – diagramme circulaire – boîte à moustaches, carte thermique
• Génération de graphiques à partir de DataFrame
• Création de graphiques interactifs (Plotly)
• Visualisations multi-tracés pour comparaison et corrélation
• Accessibilité des graphiques : – titres, labels, légendes – lisibilité et contraste – adaptation aux personnes en situation de handicap
• Mise en pratique globale et préparation à la certification
• Étude de cas complète : chargement des données, nettoyage et préparation, manipulation et transformation, analyse statistique,visualisation des résultats
• Production d’un code structuré, lisible et optimisé
• Entraînement aux attendus de l’épreuve pratique : – utilisation de Pandas / NumPy – création de colonnes et traitements – filtrag et manipulation
• Révision des notions clés pour l’épreuve théorique (QCM/QCU)

Module 6 : Mise en pratique globale et préparation à la certification

• Étude de cas complète : chargement des données, nettoyage et préparation, manipulation et transformation, analyse statistique, visualisation des résultats
• Production d’un code structuré, lisible et optimisé
• Entraînement aux attendus de l’épreuve pratique : – utilisation de Pandas / NumPy – création de colonnes et traitements – filtrage et manipulation
• Révision des notions clés pour l’épreuve théorique (QCM/QCU)