Python pour la data science

Lino Galiana

doi:10.5281/zenodo.8229676

html`${viewof ordre}`

labels = ["Chapitres dans l'ordre", "Chapitres en vrac"]
version_ui = "fr"

Introduction

Title	Learning mode	Resource type
Introduction	Lesson #1 or self learning	Read from website
A functional Python environment for data science	Lesson #1 or self learning	Read from website and exercise notebooks
How to deal with a data set	Lesson #1 or self learning	Read from website
A few refresher exercises to get back in the saddle	Lesson #1 or self learning	Read from website

Manipuler des données

Title	Learning mode	Resource type
Introduction to part 1: data wrangling	Lesson #1 or self learning	Read from website
Numpy, the foundation of data science	Lesson #1 or self learning	Read from website and exercise notebooks
Introduction to Pandas	Lesson #2 or self learning	Read from website and exercise notebooks
Data wrangling with Pandas	Lesson #2 or self learning	Read from website and exercise notebooks
Introduction to spatial data with Geopandas	Lesson #4 or self learning	Read from website and exercise notebooks
Web scraping with Python	Self learning	Read from website and exercise notebooks
Retrieve data with APIs from Python	Lesson #4 or self learning	Read from website and exercise notebooks
Mastering regular expressions	Self learning	Read from website and exercise notebooks
New ways of accessing data: Parquet format and data in the cloud	Self learning	Read from website

Communiquer

Title	Learning mode	Resource type
Introduction to part 2: communicating with data	Self learning	Read from website
Building graphics with Python	Self learning	Read from website and exercise notebooks
Introduction to cartography with Python	Self learning	Read from website and exercise notebooks

Modéliser

Title	Learning mode	Resource type
Introduction to part 3: modelisation	Lesson #5 or self learning	Read from website
Preprocessing before building machine learning models	Lesson #5 or self learning	Read from website and exercise notebooks
Evaluating model quality	Lesson #5 or self learning	Read from website and exercise notebooks
Discovering classification with decision trees	Lesson #5 or self learning	Read from website and exercise notebooks
An introduction to regression	Lesson #6 or self learning	Read from website and exercise notebooks
Variable selection: an introduction	Lesson #6 or self learning	Read from website and exercise notebooks
Clustering	Lesson #6 or self learning	Read from website and exercise notebooks
Premier pas vers l'industrialisation avec les pipelines scikit	Self learning	Read from website and exercise notebooks
Mettre à disposition un modèle par le biais d'une API	Self learning	Read from website

Natural Language Processing (NLP)

Title	Learning mode	Resource type
Introduction to part 4: Natural Language Processing (NLP)	Self learning	Read from website
Cleaning and structuring information in textual data	Lesson #7 or self learning	Read from website and exercise notebooks
Frequentist analysis using the bag-of-words approach: forces and limitations	Lesson #7 or self learning	Read from website and exercise notebooks
Synthetizing textual information with embeddings	Lesson #7 or self learning	Read from website and exercise notebooks

Git

Title	Learning mode	Resource type
Git: un outil nécessaire pour les data scientists	Lesson #3 or self learning	Read from website
Découvrir Git par la pratique: la gymnastique quotidienne	Lesson #3 or self learning	Read from website
Un cadavre exquis pour découvrir le travail collaboratif `Git`	Lesson #3 or self learning	Read from website

Avoir un environnement Python fonctionnel pour la data science

Ce chapitre introduit les bases de l’environnement Python pour la data science en mettant l’accent sur la modularité du langage et l’utilisation des notebooks…

Lino Galiana

2026-01-11

Démarche à adopter face à un jeu de données

Tutoriel

Rappels

Quelques éléments pour adopter une démarche scientifique et éthique face à un jeu de données.

Lino Galiana

2026-01-11

Quelques exercices de rappels pour se remettre en selle

Un chapitre consacré à divers exercices pour réviser les principes de base de la syntaxe Python et des objets utilisés par le langage.

Lino Galiana

2026-01-11

Introduction

Cette introduction présente l’objectif du cours,les partis-pris pédagogiques, le fil conducteur de cet enseignement ainsi que les modalités pratiques de celui-ci.

Lino Galiana

2026-01-11

Numpy, la brique de base de la data science

Numpy constitue la brique de base de l’écosystème de la data science en Python. Toutes les librairies de manipulation de données, de modélisation et de visualisation…

Lino Galiana

2026-01-11

Introduction à Pandas

Tutoriel

Exercices

Manipulation

Pandas est l’élément central de l’écosystème Python pour la data science. Ce chapitre présente les premières manipulations de données qu’on peut faire grâce à Pandas…

Lino Galiana

2026-01-11

Manipuler des données avec Pandas

Tutoriel

Manipulation

Le chapitre d’introduction à Pandas a permis de présenter le principe de données organisées sous une forme de DataFrame et la praticité de l’écosystème Pandas pour…

Lino Galiana

2026-01-11

Introduction à Pandas

Tutoriel

Manipulation

Pandas est l’élément central de l’écosystème Python pour la data science. Le succès récent de Python dans l’analyse de données tient beaucoup à Pandas qui a permis…

Lino Galiana

2026-01-11

Pratique de pandas : un exemple complet

Manipulation

Exercice

Après avoir présenté la logique de Pandas dans le chapitre précédent, ce chapitre vise à illustrer les fonctionalités du package à partir de données d’émissions de gaz à…

Lino Galiana

2026-01-11

Pratique de geopandas avec les données vélib

Manipulation

Exercice

Ce chapitre illustre les fonctionalités de GeoPandas à partir des décomptes de vélo fournis par la ville de Paris en…

Lino Galiana

2026-01-11

Introduction aux données spatiales avec Geopandas

Tutoriel

Manipulation

Les données géolocalisées se sont multipliées depuis quelques années, qu’il s’agisse de données open-data ou de traces numériques géolocalisées de type big-data. Pour les…

Lino Galiana

2026-01-11

Web scraping avec Python

Exercice

Manipulation

Python permet de facilement récupérer une page web pour en extraire des données à restructurer. Le web scraping, que les Canadiens nomment “moissonnage du web”, est…

Lino Galiana

2026-01-11

Maîtriser les expressions régulières

Tutoriel

Manipulation

Les expressions régulières fournissent un cadre très pratique pour manipuler de manière flexible des données textuelles. Elles sont très utiles notamment pour les tâches de…

Lino Galiana

2026-01-11

Récupérer des données avec des API depuis Python

Exercice

Manipulation

Les API (Application Programming Interface) sont un mode d’accès aux données en expansion. Grâce aux API, l’automatisation de scripts est facilitée puisqu’il n’est…

Lino Galiana

2026-01-11

Les nouveaux modes d’accès aux données : le format Parquet et les données sur le cloud

Le format Parquet est un format de données connaissant une popularité importante du fait de ses caractéristiques techniques (orientation colonne, compression…

Lino Galiana

2026-01-11

Partie 1: manipuler des données

Manipulation

Introduction

Python s’est imposé comme une alternative très crédible à R dans la manipulation de données. L’écosystème Pandas a permis de démocratiser l’utilisation des DataFrames…

Lino Galiana

2026-01-11

Partie 2: communiquer à partir de données

Introduction

Visualisation

Les data scientists doivent être en mesure de synthétiser l’information présente dans un jeu de données par le biais de la représentation graphique, car le cerveau humain…

Lino Galiana

2026-01-11

Introduction à la cartographie avec Python

Visualisation

Exercice

La cartographie est un excellent moyen de diffuser de la connaissance sur les données, y compris à des publics peu familiers de la statistique. Ce chapitre permet de…

Lino Galiana

2026-01-11

Construire des graphiques avec Python

Visualisation

Exercice

Une partie essentielle du travail du data scientist est d’être en mesure de synthétiser une information dans des représentations graphiques percutantes. Ce chapitre…

Lino Galiana

2026-01-11

Préparation des données pour construire un modèle

Modélisation

Exercice

Afin d’avoir des données cohérentes avec les hypothèses de modélisation, il est fondamental de prendre le temps de préparer les données à fournir à un modèle. La qualité de…

Lino Galiana

2026-01-11

Evaluer la qualité d’un modèle

Modélisation

Exercice

La raison d’être du machine learning est de chercher à créer des règles de décision qui ont de bonnes performances prédictives sur un nouvel échantillon. Pour éviter le…

Lino Galiana

2026-01-11

Découverte de la classification avec les arbres de décision

Modélisation

La classification permet d’attribuer une classe d’appartenance (label dans la terminologie du machine learning) discrète à des données à partir de certaines variables…

Lino Galiana

2026-01-11

Introduction à la régression

Modélisation

La régression linéaire est la première modélisation statistique qu’on découvre dans un cursus quantitatif. Il s’agit en effet d’une méthode très intuitive et très riche. Le…

Lino Galiana

2026-01-11

Sélection de variables : une introduction

Modélisation

Exercice

L’accès à des bases de données de plus en plus riches permet des modélisations de plus en plus raffinées. Cependant, les modèles parcimonieux sont généralement préférables…

Lino Galiana

2026-01-11

Introduction à l’apprentissage non supervisé avec le clustering

Modélisation

Exercice

Le clustering consiste à répartir des observations dans des groupes, généralement non observés, en fonction de caractéristiques observables. Il s’agit d’une application…

Lino Galiana

2026-01-11

Premier pas vers l’industrialisation avec les pipelines scikit

Modélisation

Tutoriel

Les pipelines Scikit permettent d’intégrer de manière très flexible un ensemble d’opérations de pre-processing et d’entraînement de modèles dans une chaîne d’opérations.…

Lino Galiana

2026-01-11

Mettre à disposition un modèle par le biais d’une API

Modélisation

Tutoriel

Les API sont un moyen très pratique pour simplifier la mise à disposition des prédictions d’un modèle de machine learning. Ce chapitre présente la manière dont FastAPI…

Lino Galiana

2026-01-11

Partie 3: modéliser

Introduction

Modélisation

La facilité à modéliser des processus très diverses a grandement participé au succès de Python dans les années 2010. La popularité de Python est indissociable de…

Lino Galiana

2026-01-11

Nettoyer et structurer l’information dans les données textuelles

NLP

Les corpus textuels étant des objets de très grande dimension où le ratio signal/bruit est faible, il est nécessaire de mettre en oeuvre une série d’étapes de nettoyage de…

Lino Galiana

2026-01-11

L’analyse fréquentiste par l’approche bag-of-words : intérêt et limites

NLP

Ce chapitre approfondit l’analyse fréquentiste appliquée aux données textuelles en présentant les enjeux du domaine de l’extraction d’informations (information retrieval).…

Lino Galiana

2026-01-11

Les embeddings, ou comment synthétiser l’information textuelle

Pour pouvoir utiliser des données textuelles dans des algorithmes de machine learning, il faut les vectoriser, c’est à dire transformer le texte en données numériques.…

Lino Galiana

2026-01-11

Partie 4 : Natural Language Processing (NLP)

Introduction

NLP

Cette partie du cours introduit le traitement automatique du langage (NLP), un domaine scientifique à la croisée de la linguistique et des statistiques devenu, du fait de…

Lino Galiana

2026-01-11

Un cadavre exquis pour découvrir le travail collaboratif `Git`

Exercice

Git

Ce chapitre propose une mise en application de quelques principes centraux du langage Git vus précédemment.

Lino Galiana

2026-01-11

Git: un outil nécessaire pour les data scientists

Git

Une partie annexe au cours pour découvrir Git, un outil devenu indispensable pour les data scientists afin de mener des projets impliquant du code Python.

Lino Galiana

2026-01-11

Découvrir Git par la pratique: la gymnastique quotidienne

Tutoriel

Git

Git est un système de contrôle de version qui facilite la sauvegarde, la gestion des évolutions et le partage d’un projet informatique. Il s’agit d’un élément…

Lino Galiana

2026-01-11

{
  const orderedDivs = document.querySelectorAll(".list-chapter-ordered");
  const unorderedDivs = document.querySelectorAll(".list-chapter-unordered");

  const lang = version_ui; // 'fr' ou 'en'
  const otherLang = lang === "fr" ? "en" : "fr";

  if (ordre === "vrac") {
    unorderedDivs.forEach((div, i) => (div.innerHTML = initialUnordered[i]));
    orderedDivs.forEach(div => (div.innerHTML = ""));
  } else {
    orderedDivs.forEach((div, i) => {
      // Choisir la source HTML à injecter
      const useDarkFr = (quartoThemeIsDark && lang === "fr" && initialOrderedDarkFr?.[i]);
      div.innerHTML = useDarkFr ? initialOrderedDarkFr[i] : initialOrdered[i];

      // Supprimer le bloc de la langue non sélectionnée (si présent)
      const otherLangBlock = div.querySelector(`.list-chapter-ordered-${otherLang}`);
      if (otherLangBlock) otherLangBlock.remove();

      // Nettoyage: si jamais un wrapper dark-fr traîne, on le supprime
      const darkFrBlock = div.querySelector(".list-chapter-ordered-dark-fr");
      if (darkFrBlock) darkFrBlock.remove();
    });

    unorderedDivs.forEach(div => (div.innerHTML = ""));
  }
}

viewof ordre = ToggleSwitch({
  labels: labels,
  values: ["ordre", "vrac"],
  value: "vrac",
  sliderColor: quartoThemeIsDark ? "#e7c582" : "#444",
  textColor: quartoThemeIsDark ? "#e7c582" : "#444"
})

initialOrdered = Array.from(document.querySelectorAll('.list-chapter-ordered'))
  .map(div => div.innerHTML)

initialUnordered = Array.from(document.querySelectorAll('.list-chapter-unordered'))
  .map(div => div.innerHTML)

{
  const orderedDivs = document.querySelectorAll('.list-chapter-ordered');
  const unorderedDivs = document.querySelectorAll('.list-chapter-unordered');

  const lang = version_ui; // 'fr' ou 'en'
  const otherLang = lang === 'fr' ? 'en' : 'fr';

  if (ordre === 'vrac') {
    unorderedDivs.forEach((div, i) => div.innerHTML = initialUnordered[i]);
    orderedDivs.forEach(div => div.innerHTML = '');
  } else {
    orderedDivs.forEach((div, i) => {
      // Restaurer le contenu initial
      div.innerHTML = initialOrdered[i];

      // Supprimer le bloc de la langue non sélectionnée
      const otherLangBlock = div.querySelector(`.list-chapter-ordered-${otherLang}`);
      if (otherLangBlock) otherLangBlock.remove();
    });

    // Cacher les unordered
    unorderedDivs.forEach(div => div.innerHTML = '');
  }
}

viewof quartoThemeIsDark = {
  const span = html`<span style="display: none;"></span>`;

  function updateTheme() {
    const isDark = document.body.classList.contains("quarto-dark");
    span.value = isDark;
    span.dispatchEvent(new CustomEvent("input"));
  }

  // Initial check
  updateTheme();

  // Observer les changements de classe sur <body>
  const observer = new MutationObserver(() => updateTheme());

  observer.observe(document.body, {
    attributes: true,
    attributeFilter: ["class"]
  });

  // Nettoyage si jamais nécessaire
  span.remove = () => observer.disconnect();

  return span;
}

ToggleSwitch = ({
  labels = ["Gauche", "Droite"],
  values = ["left", "right"],
  value = values[0],
  sliderColor = "#275EFE",
  textColor = "#444"
} = {}) => {
  const [labelLeft, labelRight] = labels;
  const [valLeft, valRight] = values;

  const node = html`<div class="toggle-wrapper"
                       style="--slider-color: ${sliderColor}; --text-color: ${textColor}">
    <span class="label left">${labelLeft}</span>

    <label class="toggle-ios">
      <input type="checkbox" ${value === valRight ? "checked" : ""}>
      <span class="slider"></span>
    </label>

    <span class="label right">${labelRight}</span>

    <style>
    ${styleOptions}
    </style>
  </div>`;

  const input = node.querySelector("input");

  const updateLabels = () => {
    node.querySelector(".label.left").classList.toggle("active", !input.checked);
    node.querySelector(".label.right").classList.toggle("active", input.checked);
  };

  Object.defineProperty(node, "value", {
    get: () => (input.checked ? valRight : valLeft),
    set: (v) => {
      input.checked = (v === valRight);
      updateLabels();
    }
  });

  input.addEventListener("change", () => {
    updateLabels();
    node.dispatchEvent(new CustomEvent("input"));
  });

  updateLabels();
  return node;
}

styleOptions = `
.toggle-wrapper {
  display: flex;
  align-items: center;
  gap: 0.5rem;
  font-family: sans-serif;
  font-size: 14px;
  color: var(--text-color);
}

.label {
  transition: font-weight 0.2s;
}

.label.active {
  font-weight: bold;
}

.toggle-ios {
  position: relative;
  display: inline-block;
  width: 44px;
  height: 24px;
}

.toggle-ios input {
  opacity: 0;
  width: 0;
  height: 0;
}

.slider {
  position: absolute;
  cursor: pointer;
  top: 0;
  left: 0;
  right: 0;
  bottom: 0;
  background-color: #ccc;
  transition: 0.3s;
  border-radius: 34px;
}

.slider:before {
  position: absolute;
  content: "";
  height: 18px;
  width: 18px;
  left: 3px;
  top: 3px;
  background-color: white;
  transition: 0.3s;
  border-radius: 50%;
}

input:checked + .slider {
  background-color: var(--slider-color);
}

input:checked + .slider:before {
  transform: translateX(20px);
}
`

{
  const appendix = document.querySelector('#quarto-appendix');
  if (appendix) {
    const wrapper = document.createElement('div');
    wrapper.className = 'content-block py-4';
    wrapper.innerHTML = appendix.innerHTML;
    // Optional: replace the original appendix in the DOM
    appendix.replaceWith(wrapper);
    wrapper;
  } else {
    "appendix not found";
  }
}

Citation

BibTeX

@book{galiana2025,
  author = {Galiana, Lino},
  title = {Python pour la data science},
  date = {2025},
  url = {https://pythonds.linogaliana.fr/},
  doi = {10.5281/zenodo.8229676},
  langid = {fr}
}

Veuillez citer ce travail comme suit :

Galiana, Lino. 2025. Python pour la data science. https://doi.org/10.5281/zenodo.8229676.

Python pour la data science

Lino Galiana

Une introduction complète à Python

Introduction

Manipuler des données

Communiquer

Modéliser

Natural Language Processing (NLP)

Git

Avoir un environnement Python fonctionnel pour la data science

Démarche à adopter face à un jeu de données

Quelques exercices de rappels pour se remettre en selle

Introduction

Numpy, la brique de base de la data science

Introduction à Pandas

Manipuler des données avec Pandas

Introduction à Pandas

Pratique de pandas : un exemple complet

Pratique de geopandas avec les données vélib

Introduction aux données spatiales avec Geopandas

Web scraping avec Python

Maîtriser les expressions régulières

Récupérer des données avec des API depuis Python

Les nouveaux modes d’accès aux données : le format Parquet et les données sur le cloud

Partie 1: manipuler des données

Partie 2: communiquer à partir de données

Introduction à la cartographie avec Python

Construire des graphiques avec Python

Préparation des données pour construire un modèle

Evaluer la qualité d’un modèle

Découverte de la classification avec les arbres de décision

Introduction à la régression

Sélection de variables : une introduction

Introduction à l’apprentissage non supervisé avec le clustering

Premier pas vers l’industrialisation avec les pipelines scikit

Mettre à disposition un modèle par le biais d’une API

Partie 3: modéliser

Nettoyer et structurer l’information dans les données textuelles

L’analyse fréquentiste par l’approche bag-of-words : intérêt et limites

Les embeddings, ou comment synthétiser l’information textuelle

Partie 4 : Natural Language Processing (NLP)

Un cadavre exquis pour découvrir le travail collaboratif Git

Git: un outil nécessaire pour les data scientists

Découvrir Git par la pratique: la gymnastique quotidienne

Citation

Une introduction complète à `Python`

Un cadavre exquis pour découvrir le travail collaboratif `Git`