Partie 2: visualiser les données

L’écosystème Python pour la valorisation de données est très riche. Il est possible de consacrer des livres entiers à celui-ci. Dans le domaine de la visualisation, le parti pris est d’explorer quelques librairies centrales à partir d’un nombre restreint d’exemples en répliquant des graphiques qu’on peut trouver sur le site d’open data de la mairie de Paris.

Seront principalement évoqués, dans la première partie :

• la représentation graphique fixe avec les librairies matplotlib et seaborn
• les graphiques réactifs avec plotly
• les cartes fixes avec geopandas ou geoplot
• les cartes réactives avec folium

Des éléments supplémentaires pour produire de belles valorisations de données seront progressivement ajoutés à cette partie, notamment observableHQ.

• De beaux graphiques avec python: mise en pratique

  Une partie essentielle du travail du data-scientist est d’être en mesure de synthétiser une information dans des représentations graphiques percutantes. Ce chapitre permet de découvrir les fonctionalités graphiques de matplotlib, seaborn et plotly pour représenter des statistiques sur les décomptes de vélo à Paris.

• De belles cartes avec python: mise en pratique

  La cartographie est un excellent moyen de diffuser une connaissance, y compris à des publics peu familiers de la statistique. Ce chapitre permet de découvrir la manière dont on peut utiliser Python pour construire des cartes standards (avec geopandas) ou réactives (folium). Cela se fera à travers un exercice permettant de visualiser la fréquentation par les vélos des routes parisiennes.