Python for Data Analysis

Explorez les applications de NumPy et comprenez pourquoi il s'agit de l'une des bibliothèques les plus populaires pour le calcul numérique. Découvrez les différentes méthodes de création et d'initialisation des tableaux afin de répondre efficacement à divers besoins en données.

Découvrez comment accéder à des éléments spécifiques et à des sous-ensembles dans les tableaux NumPy à l'aide de la notation d'index. Apprenez à appliquer l'indexation conditionnelle pour filtrer les données et gérer efficacement les valeurs manquantes.

NumPy propose de nombreuses fonctions intégrées pour effectuer des opérations courantes sur les tableaux. Découvrez comment utiliser ces outils pour transformer, agréger et analyser efficacement les données sans écrire de code répétitif.

Apprenez à effectuer des opérations mathématiques efficacement sur des tableaux NumPy. Appliquez ces opérations pour résoudre des problèmes concrets et approfondir la compréhension de la manière dont les calculs vectorisés accélèrent l'analyse numérique.

Découvrez les fondamentaux de la bibliothèque pandas. Apprenez à créer et manipuler des Series et des DataFrames, explorez leur structure et développez votre confiance dans l'exécution des opérations de données essentielles.

Maîtrise du chargement et de la gestion des données à partir de fichiers CSV et TXT. Acquisition d'une expérience pratique dans l'importation de jeux de données et leur préparation pour une analyse ultérieure à l'aide des outils pandas.

Apprenez à explorer, nettoyer et résumer efficacement les données. Comprendre la gestion des valeurs manquantes, l'extraction d'informations et l'exécution d'opérations statistiques de base avec pandas.

Cette section vous apprendra à afficher des colonnes spécifiques par leurs titres ou indices. Vous découvrirez également les différentes méthodes de sélection des lignes par indices.

Ici, vous apprendrez à extraire des données répondant à des conditions spécifiques. Vous découvrirez également comment les combiner et même créer vos propres conditions.

Dans cette section, vous approfondirez vos connaissances sur la définition de différentes conditions de données. Vous apprendrez à vérifier si vos données figurent dans une liste de valeurs définies ou se situent entre deux valeurs. Vous découvrirez également comment identifier les valeurs les plus grandes et les plus petites.

Cette section est l'une des plus fascinantes du cours. Vous apprendrez ici à regrouper les données de différentes manières. Cela vous aidera à travailler en tant qu'analyste de données pour obtenir des informations sur des groupes de données spécifiques.

Cette section est l'une des plus importantes pour un analyste de données, car si les données contiennent des valeurs manquantes ou sont dans un format incorrect, il sera impossible de les exploiter. Ainsi, vous apprendrez ici comment traiter de telles valeurs inappropriées.

Nous commencerons notre apprentissage de la théorie des probabilités en examinant quelques définitions et règles de base : qu'est-ce qu'une expérience stochastique et un événement aléatoire, qu'est-ce que l'indépendance et l'incompatibilité des événements dans le contexte de la théorie des probabilités, qu'est-ce que la probabilité et comment pouvons-nous calculer les probabilités de différents événements élémentaires.

Dans les tâches de la vie réelle, nous devons souvent faire face à des relations complexes et, par conséquent, calculer les probabilités de plusieurs événements ou d'événements qui dépendent les uns des autres. Voyons comment nous pouvons le faire en utilisant la théorie des probabilités.

Pour résoudre de nombreux problèmes réels en théorie des probabilités, des modèles spéciaux ont été créés pour décrire une situation particulière. Considérons certains des modèles les plus utilisés qui peuvent être utilisés pour décrire certains résultats discrets d'expériences stochastiques.

Que se passe-t-il si le résultat d'une expérience stochastique ne peut pas être décrit par une valeur discrète ? Pour cela, on utilise des modèles qui fonctionnent avec des valeurs continues. Considérons les plus populaires de ces modèles.

Souvent, nous sommes confrontés à la tâche de vérifier la dépendance des résultats de différentes expériences stochastiques les unes par rapport aux autres. De plus, il est nécessaire non seulement d'évaluer la présence de dépendances, mais aussi de quantifier d'une manière ou d'une autre le degré de ces dépendances. Pour résoudre ces problèmes, nous pouvons utiliser la covariance et la corrélation.

Découvrez les principes fondamentaux de la visualisation de données avec Matplotlib. Comprenez ses concepts clés, explorez ses avantages et réalisez un premier graphique simple à l'aide de cette bibliothèque de visualisation essentielle.

Maîtriser la visualisation des données à travers les types de graphiques les plus populaires. Apprendre à construire des graphiques linéaires, de dispersion et à barres pour communiquer clairement les informations issues des données.

Apprenez à rendre vos graphiques plus informatifs et attrayants visuellement. Ajoutez des titres, des légendes, des couleurs et des grilles, et découvrez comment organiser efficacement plusieurs sous-graphiques.

Explorer des visualisations statistiques permettant d’analyser les distributions et les tendances des données. Créer des histogrammes, des boîtes à moustaches et des diagrammes circulaires pour révéler des informations statistiques approfondies.

Améliorez vos compétences en visualisation avec Seaborn. Créez des graphiques avancés tels que les countplots, KDE, pair plots et heatmaps tout en maîtrisant le style élégant et les options de personnalisation de Seaborn.