Note
Apprenez à 100 % grâce à « Data Analysis with Python, Completely Revised Edition »
Introduction à la série « Débuter avec Python »
Feuille de route d'apprentissage pour les carrières en TI

Chapitre 1.
Premiers pas avec Python
__1.1 Que pouvez-vous faire avec Python ?
____1.1.1 Pourquoi devrais-je commencer l'analyse de données avec Python ?
____1.1.2 Python, quelles sont ses caractéristiques ?
____1.1.3 Que pouvez-vous faire avec Python ?
____1.1.4 Que puis-je faire après avoir étudié ce livre ?
1.2 Mise en place de l'environnement de développement
____1.2.1 Qu'est-ce qu'un anaconda ?
____1.2.2 Télécharger le fichier d'installation d'Anaconda
____1.2.3 Installation d'Anaconda
__1.3 Jupyter Notebook
____1.3.1 Bonjour Python
____1.3.2 Fonctionnalités de Jupyter Notebook
____1.3.3 Fonctionnalités clés de Jupyter Notebook
____1.3.4 Utilisation des notebooks Jupyter

Chapitre 2.
Grammaire Python de base pour l'analyse de données
2.1 Variables et types de données
____2.1.1 Variables
____2.1.2 Types de données de base
____2.1.3 Types de données conteneurs - Listes
____2.1.4 Types de données conteneurs - Tuples et ensembles
____2.1.5 Types de données conteneurs - Dictionnaire
__2.2 Instructions conditionnelles et boucles
____2.2.1 Énoncés conditionnels
____2.2.2 Boucles
__2.3 Fonctions et modules
____2.3.1 Fonction
____2.3.2 Expressions lambda
____2.3.3 Entrée/Sortie
____2.3.4 E/S de fichiers
____2.3.5 Chaîne
____2.3.6 Modules, packages et classes
____2.3.7 Gestion des exceptions

Chapitre 3.
Grammaire Python appliquée à l'analyse de données
__3.1 NumPy
____3.1.1 Concept de tableau
____3.1.2 Création et manipulation de tableaux
____3.1.3 Indexation et découpage des tableaux
____3.1.4 Opérations et transformations sur les tableaux
__3.2 Pandas
____3.2.1 Concepts de séries et de dataframes
____3.2.2 Création et suppression
3.2.3 Sélection des données - Indexation et sélection conditionnelle
____3.2.4 Transformation des données - Création de variables dérivées et application de fonctions
3.2.5 Opérations d'exploration et d'agrégation des données
3.3 Exercice d'exploration des données sur les cours boursiers
____3.3.1 Installation et problèmes de la bibliothèque
3.3.2 Analyse exploratoire des données boursières

Chapitre 4.
Visualisation des données
__4.1.
Comment visualiser les données
____4.1.1.
package de visualisation de données Python
__4.2 né en mer
____4.2.1 Ensemble de données de conseils
____4.2.2 Diagramme de dispersion
____4.2.3 Droite de régression (regplot)
____4.2.4 Graphique linéaire (diagramme linéaire)
____4.2.5 Diagramme à barres
____4.2.6 Diagramme en boîte, Diagramme en violon
____4.2.7 Histogramme (graphique d'histogramme)
____4.2.8 Carte thermique
__4.3 matplotlib
____4.3.1 Tracer un graphique
____4.3.2 Préparation du papier à dessin
____4.3.3 Problèmes fréquemment rencontrés
__4.4 plotly
____4.4.1 Graphiques interactifs
____4.4.2 Types de graphiques de base
4.5 Exercices de visualisation des données
____4.5.1 Visualisation des données d'information des bilans de santé

Chapitre 5.
Tableau de bord d'analyse des données
___5.1 Streamlit
____5.1.1 Qu'est-ce que Streamlit ?
____5.1.2 Composants d'interface utilisateur de base
____5.1.3 Mise en page et configuration
____5.1.4 Affichage et visualisation des données
__5.2 Tableau de bord d'analyse des actions
____5.2.1 Paramètres de base et importations de bibliothèques
____5.2.2 Importation des données boursières
____5.2.3 Fonction d'affichage des informations de l'entreprise
____5.2.4 Fonction de génération de graphiques boursiers
____5.2.5 Fonction de génération de graphiques de volume
____5.2.6 Fonctions de calcul des indicateurs techniques
____5.2.7 Fonction principale de l'application

Ce livre s'adresse aux lecteurs qui ont été confrontés à des situations où ils ont dû analyser des données ou à qui l'on a demandé d'apprendre l'analyse de données.

Plus précisément, vous pouvez comprendre la grammaire Python de base (NumPy, Pandas) nécessaire à l'analyse des données, ou
__Si vous souhaitez afficher un tableau de bord de démonstration (Streamlit) directement en utilisant des méthodes de visualisation (seaborn, matplotlib).

« Récemment, les entreprises exigent des capacités complètes permettant d'intégrer directement les résultats d'analyse dans des tableaux de bord et de les transformer en services. »
Par conséquent, dans cette édition entièrement révisée, nous avons ajouté une nouvelle fonctionnalité pour le développement de tableaux de bord à l'aide de Streamlit.

* 51 cours vidéo (10 heures) accessibles via un code QR
Nous proposons des cours vidéo accessibles via des codes QR pour les domaines nécessitant une clarification conceptuelle, un contenu approfondi et des conseils pratiques.

50 problèmes pour optimiser l'efficacité de l'apprentissage
Nous avons inclus des exercices pratiques pour que vous puissiez immédiatement vérifier ce que vous avez appris.

-------------------------------------------------------------------------------------------------------------------

L'objectif de ce livre est de fournir aux lecteurs les bases nécessaires pour faire leurs premiers pas dans l'analyse de données et progresser grâce à la résolution de problèmes.
Pour ceux qui veulent se lancer immédiatement, ce sera un excellent point de départ, et pour ceux qui veulent approfondir leurs connaissances, ce sera un tremplin vers le niveau suivant.

Q : Avec l'avènement de l'IA générative comme ChatGPT, cela ne signifie-t-il pas que les analystes de données ont moins de travail à faire ?
A : Alors que nous sommes entrés dans une ère où l'IA écrit du code, paradoxalement, la capacité à comprendre et à interpréter correctement les données est devenue encore plus cruciale. Aussi parfait que soit le code de l'IA, il revient toujours aux humains de décider quoi analyser, comment interpréter les résultats et quelles décisions prendre.
En effet, à l’ère de l’IA, la capacité à comprendre l’essence des données est devenue un avantage concurrentiel clé.

Q : Quels sont les principaux changements apportés à l'édition révisée ?
A: Les entreprises d'aujourd'hui exigent des capacités complètes qui vont au-delà de la simple réalisation d'analyses, leur permettant d'intégrer directement les résultats d'analyse dans des tableaux de bord et de les transformer en services.
Par conséquent, nous avons ajouté une nouvelle fonctionnalité pour le développement de tableaux de bord via Streamlit.
Ce livre vous permettra non seulement d'analyser des données, mais aussi de visualiser et de partager intuitivement vos résultats.

Q : Quel est le lien entre ce livre et « Machine Learning + Deep Learning with Python (Completely Revised Edition) » ?
A : Le volume 1 est un cours préparatoire à la compréhension et au traitement des données, des bases de Python à l'exploration des données et à la création de tableaux de bord. Le volume 2 traite des algorithmes d'apprentissage automatique et d'apprentissage profond, y compris la création de modèles d'analyse de données.
Le volume 2 vise à permettre même aux non-spécialistes de créer eux-mêmes des modèles d'apprentissage automatique et d'apprentissage profond. Ce livre s'adresse aux lecteurs qui souhaitent travailler dans le domaine de l'IA, ou qui en ont besoin.

Ce livre couvre de manière systématique la grammaire Python de base nécessaire à l'analyse des données.
Nous l'avons expliqué en utilisant des termes et des concepts courants afin que même les débutants puissent facilement le comprendre.
Nous nous sommes concentrés sur la transmission de l'essence du codage en utilisant des expressions familières plutôt que des termes techniques complexes.
En suivant les étapes une à une, n'importe qui pourra effectuer une analyse de données de base avec Python.
Apprendre l'analyse de données, c'est comme conduire une voiture.
Il s'agit d'un processus d'acquisition de connaissances de base et de développement de compétences par une pratique suffisante.
De même qu'il n'est pas nécessaire de comprendre parfaitement les principes de fonctionnement d'un moteur pour conduire, il n'est pas nécessaire de maîtriser des théories mathématiques complexes pour analyser des données.
L'important, c'est de se lancer.
Même si cela peut paraître étrange, vous pouvez expérimenter vous-même l'analyse de données et compléter la théorie au besoin.
Cette approche réduit considérablement les obstacles à l'accès aux techniques avancées comme l'apprentissage automatique et l'apprentissage profond.
Les compétences en analyse de données constituent un atout concurrentiel majeur dans tous les secteurs d'activité.
Elle permet la planification de nouvelles entreprises, l'amélioration de l'efficacité des entreprises existantes et même la découverte de solutions innovantes.

1.
Ce livre est une « Introduction à la programmation Python » pour l'analyse exploratoire des données.
Il existe déjà sur le marché de nombreux ouvrages expliquant les bases de Python et d'autres traitant de la théorie de l'analyse des données.
La plupart des ouvrages couvrent en détail une grande partie du contenu de Python, ce qui en fait un excellent choix pour une étude approfondie.
Cependant, un aperçu rapide du processus d'analyse des données nécessite un investissement en temps considérable.
J'ai donc préparé ce livre.
Ce livre ne traite que des fonctions de base fréquemment utilisées en analyse de données parmi les nombreuses fonctions fournies par Python.
Plus précisément, cela explique le processus d’« analyse exploratoire des données », qui consiste à collecter, explorer et affiner les données avant de procéder à une analyse complète des données.
Et nous l'avons structuré de manière à ce que vous puissiez comprendre le processus global d'analyse exploratoire des données en résolvant divers exemples pratiques.

2.
Ce livre est optimisé pour les lecteurs qui souhaitent débuter l'analyse de données avec Python.
Ce livre est optimisé pour les lecteurs qui viennent de terminer un cours d'introduction à Python, qui maîtrisent la syntaxe de base de Python et qui passent maintenant à l'analyse de données.
Ce livre vous guidera à travers les bases de Python que vous avez apprises jusqu'à présent, afin que vous puissiez les appliquer rapidement à l'analyse de données.
Par conséquent, il ne convient pas aux lecteurs qui souhaitent apprendre (utilisation avancée) des algorithmes numériques approfondis pour l'analyse de données, des algorithmes de traitement de données massives prenant en compte les performances et la syntaxe avancée de Pandas.
Pour les lecteurs ayant cet objectif, je recommande « Machine Learning + Deep Learning with Python, Completely Revised Edition » (2025, Iripo).

3.
Si vous débutez en programmation, je vous recommande de lire le livre dans l'ordre.
Ce livre explique de manière séquentielle les bases de Python (Chapitre 2) - la grammaire pour l'analyse des données (Chapitre 3 : NumPy, Pandas) - les méthodes de visualisation pour l'exploration des données (Chapitre 4 : seaborn, matplotlib) - comment créer un tableau de bord pour afficher les résultats de l'analyse des données (Chapitre 5 : Streamlit).
Chaque chapitre supposant la compréhension du chapitre précédent, si vous débutez en programmation, il est plus facile de comprendre le contenu en lisant le livre dans l'ordre.

__Chapitre 1 : Mise en place de l'environnement de développement.
__Chapitre 2 : Apprendre la syntaxe de base de Python.

Chapitre 3 : Apprenez différentes façons de charger et de modifier des données précédemment enregistrées.

Chapitre 4 : Apprenez les méthodes de visualisation pour vérifier facilement la distribution et les tendances des données en dessinant divers graphiques.
Chapitre 5 : Apprenez à créer un tableau de bord avec Streamlit.

4.
Si vous débutez en Python, vous pouvez commencer à lire à partir du chapitre 3.
Si vous avez déjà utilisé Python pour la programmation web ou à d'autres fins, vous pouvez passer directement au chapitre 2, qui traite de la syntaxe de base de Python.
Si vous n'avez d'expérience qu'avec des langages de programmation autres que Python, je vous recommande également de parcourir rapidement le chapitre 2.
Le langage Python ayant été créé dans le but de simplifier et de rendre plus concis les langages de programmation existants, les utilisateurs familiarisés avec des langages de programmation traditionnels tels que Java ou C peuvent trouver sa syntaxe concise déroutante.
Même si vous êtes coréen de naissance, les abréviations comme « kebakke, ttaa, dapjeongneo » semblent étranges au premier abord.
Il nous faut donc vérifier en quoi la syntaxe de Python diffère de celle des autres langages.

5.
Veillez à résoudre vous-même les exercices et les quiz de chapitre.
Les langages de programmation ne sont qu'un moyen de communication entre les ordinateurs et les humains ; ce qui est réellement nécessaire, c'est de créer une logique pour résoudre les problèmes.
Ce livre est structuré de manière à minimiser les explications théoriques et à encourager l'application pratique de la grammaire.
Comme c'est votre première fois, il est normal que ce soit difficile et inhabituel.
Cependant, si vous réfléchissez à la manière de structurer votre logique et d'écrire votre code avant de consulter les solutions proposées dans le livre, vous améliorerez vos compétences beaucoup plus rapidement.