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"

Un cours pas-à-pas pour découvrir la data science avec , structuré en chapitres complémentaires et indépendants.

Introduction

Partie 1: manipuler des données

Partie 2: communiquer à partir de données

Partie 3: modéliser

Partie 4 : Natural Language Processing (NLP)

Git: un outil nécessaire pour les data scientists

A step-by-step course to explore data science with , structured into complementary yet standalone chapters.

Introduction

Part 1: data wrangling

Part 2: communicating with data

Part 3: modelisation

Part 4: Natural Language Processing (NLP)

Read the introduction

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

Introduction à la cartographie avec Python

Visualisation

Exercice

Mapping is an excellent way of disseminating knowledge about data, even to audiences unfamiliar with statistics. This chapter looks at the challenge of mapping and how you…

Lino Galiana

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

Découverte de la classification avec la technique des SVM

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

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

2025-10-07

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{galiana2023,
  author = {Galiana, Lino},
  title = {Python pour la data science},
  date = {2023},
  url = {https://pythonds.linogaliana.fr/},
  doi = {10.5281/zenodo.8229676},
  langid = {fr}
}

Veuillez citer ce travail comme suit :

Galiana, Lino. 2023. Python pour la data science. https://doi.org/10.5281/zenodo.8229676.

Python pour la data science

Lino Galiana

Une introduction complète à Python

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 la technique des SVM

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`