CHAPITRE 1 Avant de commencer

1.1 Contenu couvert
1.2 Pourquoi utiliser Python pour l'analyse des données ?
1.3 Bibliothèques Python requises
1.4 Installation et configuration
1.5 Communauté et conférence
1.6 Comment explorer ce livre

CHAPITRE 2 Notions de base de Python, IPython et Jupyter Notebooks

2.1 Interpréteur Python
2.2. Notions de base d'IPython
2.3 Notions de base de Python
2.4 En conclusion

CHAPITRE 3 Structures de données, fonctions et fichiers intégrés

3.1 Structures de données et types de données séquentielles
3.2 Fonction
3.3 Fichiers et système d'exploitation
3.4 En conclusion

CHAPITRE 4 Notions de base de NumPy : Opérations sur les tableaux et les vecteurs

4.1 Objet tableau multidimensionnel ndarray
4.2 Génération de nombres aléatoires
4.3 Fonctions universelles : fonctions qui traitent rapidement chaque élément d'un tableau.
4.4 Programmation basée sur les tableaux
4.5 Entrée/sortie de fichiers de données de tableau
4.6 Algèbre linéaire
4.7 Exemple de montée d'escalier
4.8 En conclusion

CHAPITRE 5 : PREMIERS PAS AVEC LES PANDAS

5.1 Introduction aux structures de données Pandas
5.2 Fonctionnalités principales
5.3 Calcul et synthèse des statistiques descriptives
5.4 En conclusion

CHAPITRE 6 Chargement et enregistrement des données, formats de fichiers

6.1 Comment lire et écrire des données à partir de fichiers texte
6.2 Format des données binaires
6.3 Utilisation avec les API Web
6.4 Utilisation avec une base de données
6.5 En conclusion

CHAPITRE 7 NETTOYAGE ET PRÉPARATION DES DONNÉES

7.1 Gestion des données manquantes
7.2 Transformation des données
7.3 Types de données étendus
7.4 Manipulation des cordes
7.5 Données catégorielles
7.6 En conclusion

CHAPITRE 8 Préparation des données : jointures, fusions et transformations

8.1 Index hiérarchique
8.2 Fusion des données
8.3 Reconfiguration et pivot
8.4 En conclusion

CHAPITRE 9 GRAPHIQUES ET VISUALISATIONS

9.1 Aperçu rapide de l'API Matplotlib
9.2 Création de graphiques avec Seaborn dans Pandas
9.3 Autres outils de visualisation Python
9.4 En conclusion

CHAPITRE 10 AGRÉGATION DES DONNÉES ET OPÉRATIONS DE GROUPE

10.1 Considérations relatives aux opérations de groupe
10.2 Agrégation des données
10.3 La méthode apply : méthode split-apply-merge généralisée
10.4 Transformations de groupe et groupby déballé
10.5 Tableaux croisés dynamiques et tableaux de contingence
10.6 En conclusion

CHAPITRE 11 SÉRIE TEMPORELLE

11.1 Types de données de date et d'heure et outils
11.2 Notions de base des séries temporelles
11.3 Période, fréquence et mouvement
11.4 Gestion des fuseaux horaires
11.5 Périodes et opérations sur les périodes
11.6 Rééchantillonnage et conversion de fréquence
11.7 Fonction de déplacement de fenêtre
11.8 En conclusion

CHAPITRE 12 Bibliothèques de modélisation Python

12.1 Interface entre Pandas et le code du modèle
12.2 Création d'un modèle avec Patsy
12.3 Introduction aux modèles statistiques
12.4 Introduction à scikit-learn
12.5 En conclusion

CHAPITRE 13 EXEMPLES D'ANALYSE DE DONNÉES

13.1 Données de Bitly provenant du site 1.USA.gov
13.2 Données de notation des films Movie Lens
13.3 Prénoms de nouveau-nés
13.4 Informations nutritionnelles de l'USDA
Base de données de la Commission électorale fédérale de 2012 (13.5)
13.6 En conclusion

ANNEXE A NumPy avancé
A.1 Structure d'objet ndarray
A.2 Techniques avancées de manipulation de réseaux
A.3 Diffusion
A.4 Utilisation avancée des ufunc
A.5 Tableaux structurés et tableaux d'enregistrements
A.6 Apprenez-en davantage sur l'alignement
A.7 Écriture de fonctions NumPy rapides avec Numba
A.8 Entrée/sortie de réseau avancée
A.9 Conseils de performance utiles

ANNEXE B : En savoir plus sur le système IPython
B.1 Raccourcis clavier du terminal
B.2 Commandes magiques
B.3 Utilisation de l'historique des commandes
B.4 Utilisation avec le système d'exploitation
B.5 Outils de développement logiciel
B.6 Conseils pour un développement de code productif avec IPython
B.7 Fonctionnalités avancées d'IPython
B.8 En conclusion

Guide d'utilisation des bibliothèques d'analyse de données par les développeurs de Pandas Core

[Data Analysis Using Python Libraries], qui a été publié dans une édition révisée et augmentée en 2013 et qui a été constamment apprécié des lecteurs nationaux jusqu'à la deuxième édition en 2019, est maintenant de retour dans sa troisième édition.
Au cours de la dernière décennie, Python s'est fermement imposé comme un langage populaire largement utilisé dans de nombreux domaines, de la science des données à l'apprentissage automatique et à l'apprentissage profond, et est constamment mis à jour pour servir ses utilisateurs.
La troisième édition a été mise à jour pour refléter les changements apportés aux dernières versions de Python, NumPy, Pandas et autres projets.
Ce livre étant largement utilisé comme manuel universitaire et comme ouvrage de référence en milieu professionnel, nous avons déployé des efforts considérables pour garantir la pertinence de son contenu pour les années à venir.
J'espère que ce livre sera une ressource précieuse pour tous ceux qui ont besoin de travailler avec des données en utilisant Python.


Qu'est-ce qui a changé dans la 3e édition ?

- Code mis à jour basé sur Python 3.11 et Pandas 2.0.
- Compatible avec NumPy 1.23 et la dernière version de Jupyter
- Ajout de nouveau contenu
Type de données catégorielles
Transformation des groupes de données et regroupement déballé
Comment utiliser les commandes magiques et l'historique des commandes d'IPython

Ce livre présente différentes méthodes de base de traitement des données avec Python.
Ce livre couvre les principes fondamentaux du langage de programmation Python et les bibliothèques qui vous aident à résoudre efficacement les problèmes d'analyse de données.
Bien que le titre du livre inclue « analyse de données », il se concentre sur la programmation Python, les bibliothèques et les outils plutôt que sur la méthodologie d'analyse de données.


Public cible

- Ingénieurs de données, scientifiques des données, ingénieurs en apprentissage automatique et statisticiens responsables des pratiques d'analyse des données.
- Étudiants de premier cycle en informatique qui souhaitent analyser des données à l'aide des bibliothèques représentatives de Python.

Contenu principal

- Comment utiliser les fonctionnalités de base et avancées de NumPy
- Chargement, nettoyage, fusion et transformation des données avec Pandas
- Créer des visualisations utiles avec Matplotlib
- Division et synthèse des données à l'aide de la fonction groupby de Pandas
- Analyser et manipuler des données de séries chronologiques régulières et irrégulières
- Apprenez à résoudre des problèmes analytiques en examinant des données réelles.

Note du traducteur

Alors que l'imprimeur s'apprêtait à sortir la troisième édition coréenne, la parution de Pandas 2.0 a ravivé des souvenirs de l'époque où j'avais traduit la première édition, il y a 10 ans.
Lors de la traduction d'un livre écrit avec Pandas 0.14, la correction de nombreux passages au fur et à mesure des nouvelles versions s'est avérée extrêmement difficile. Heureusement, cette fois-ci, installer Pandas 2.0, réexaminer le code d'exemple, soumettre une pull request à l'auteur et même demander une confirmation n'a pas été aussi compliqué que lors de la première édition.
:)

Pandas est devenue une bibliothèque stable qui peut être utilisée ensemble pendant longtemps, et ce livre a également pu être lu pendant longtemps, comme l'espérait l'auteur.
Si vous avez trouvé la deuxième édition utile, je la recommande sans hésiter à tous ceux qui souhaitent explorer des données à l'aide de Python.