Chapitre 1 : Premiers pas dans l’analyse des données

1.1 Analyse des données
1.2 Mise en place d'un environnement de développement (Google Colab)
Présentation de Google Colab
Fonctionnalités clés de Google Colab
Lancer Google Colab
Configuration de l'environnement Google Colab
Chargement des données
Écrire et exécuter du code
Corriger les erreurs de fonctionnement
Exercices finaux
Réponses aux exercices finaux

Chapitre 2 NumPy

2.1 Présentation de NumPy
Concepts NumPy
Fonctionnalités de NumPy
Vérifier NumPy
Différences entre NumPy et les listes
2.2 Création d'un tableau
fonction np.array()
fonction np.zeros()
fonction np.ones()
fonction np.full()
fonction np.empty()
fonction np.arange()
fonction np.linspace()
2.3 Propriétés clés des tableaux
propriété de forme
attribut dtype
attribut de taille
attribut ndim
appartement
2.4 Types de données de type tableau
Types de données de base
Conversion de type de données - fonction astype()
2.5 Indexation des tableaux
Indexation de base
indexation de tableaux multidimensionnels
Indexation négative
Indexation négative dans les tableaux multidimensionnels
Indexation booléenne
Indexation sophistiquée
Indexation multi-fantaisie
2.6 Découpage d'un tableau
Découpe de base
découpage de tableaux multidimensionnels
Sélection de lignes/colonnes par découpage
Découpage négatif
Découpage à l'aide de tableaux booléens
Découpage à l'aide de tableaux
2.7 Opérations sur les tableaux
opérations arithmétiques
exponentiation
Opérations de comparaison sur les tableaux
Tableaux et opérations scalaires
opérations logiques
racine carrée
2.8 Comparaison de tableaux
Comparaison élément par élément
Comparaison entre tableaux
np.all()
np.any()
np.array_equal()
2.9 Fusion de tableaux
2.10 Tri de tableaux
Tri d'un tableau unidimensionnel
tri de tableaux multidimensionnels
Trier par ordre décroissant
Trier le tableau d'origine - ndarray.sort( )
Tri multiconditionnel - np.lexsort()
2.11 Filtrage matriciel
Filtrage de base
filtrage de tableaux multidimensionnels
Filtrage à l'aide de np.where()
Filtrage à l'aide d'un tableau de masques - ma.array()
Filtrage utilisant des conditions composées
Extraction conditionnelle utilisant np.extract()
2.12 Statistiques des tableaux
Minimum - np.min()
Valeur maximale - np.max()
Plage de données - np.ptp()
Somme - np.sum()
Moyenne - np.mean()
Médiane - np.median()
Variance - np.var()
Écart type - np.std()
Quantiles - np.percentile()
Exercices finaux
Réponses aux exercices finaux

Chapitre 3 Les pandas

3.1 Présentation de Pandas
Concepts Pandas
Fonctionnalités de Pandas
Vérifier Pandas
NumPy et Pandas
Série 3.2
Concept de série
Caractéristiques de la série
Différence entre une série et une liste
Comment créer une série
Vérifiez la structure de la série
Requête de données
Indexation et découpage
Ajouter des données
Modifier la valeur de la série
Renommer un index - rename()
Statistiques et résumé des données
Vérifier les valeurs propres
Filtrage des données et sélection des conditions
Concaténation de données dans une série - concat()
tri des données
Regroupement et agrégation des données
3.3 DataFrame
Concept de DataFrame
Différences entre les DataFrames et les listes
Comment créer un DataFrame
Vérifiez la structure du DataFrame
Requête de données
Indexation et découpage
Ajouter des données
Modification des valeurs du DataFrame
Modifier les noms de colonnes
Statistiques et résumé des données
Vérifier les valeurs propres
Filtrage des données et sélection des conditions - Filtrage multiconditionnel
Fusionner et combiner les données
tri des données
Regroupement et agrégation des données
3.4 Séries et DataFrame
Différences entre Series et DataFrame
Exercices finaux
Réponses aux exercices finaux

Chapitre 4 matplotlib

4.1 Présentation de Matplotlib
concepts de matplotlib
Installer matplotlib
4.2 Fonctions matplotlib
Parcelle
Graphique linéaire
Graphique à barres
Diagramme circulaire
Diagramme de dispersion
Histogramme
sous-intrigue
Image du scénario
4.3 Présentation et fonctionnalités de Seaborn
concept marin
Installer Seaborn
carte thermique
Clustermap
Diagramme en boîte
graphique de comptage
Exercices finaux
Réponses aux exercices finaux

Chapitre 5 Prétraitement des données

5.1 Préparation et chargement des données
Importer un fichier CSV
Importer un fichier Excel
Importation de fichiers JSON
5.2 Exploration des données
Comprendre les structures de données
Résumé statistique
5.3 Prétraitement des données
Gestion des valeurs de données manquantes
Supprimer les données en double
5.4 Conversion des données
Conversion du format de données
Encodage des données catégorielles
Normalisation et standardisation des données
Indexation des données
Découpage des données
tri des données
5.5 Stockage des données
Enregistrer au format CSV
Enregistrer au format Excel
Enregistrer au format JSON
Exercices finaux
Réponses aux exercices finaux

Chapitre 6 Analyse des données

6.1 Analyse marketing et client
6.2 Finances et gestion des risques
6.3 Médical et soins de santé
6.4 Fabrication et contrôle de la qualité
6.5 Politiques publiques et résolution des problèmes sociaux

Chapitre 7 : Pratique de Kaggle

7.1 Aperçu de Kaggle
Concept Kaggle
Fonctionnalités de Kaggle
Préparez-vous pour Kaggle
7.2 Pratique Kaggle
Problème de prédiction des survivants du Titanic (Titanic - Apprentissage automatique à partir de la catastrophe)
Prix ​​des maisons - Techniques de régression avancées
Problème de détection de la fraude à la carte de crédit

Chapitre 8 Pratiques relatives aux données publiques

8.1 Aperçu des données publiques
Concept de données publiques
fonctionnalités des données publiques
8.2 Pratiques relatives aux données publiques
analyse des données sur la pollution atmosphérique
Analyse des données de location de vélos de la ville de Séoul
Analyse des données démographiques par région

Notes clés de l'annexe spéciale
Points clés
Note sur les termes clés

Introduction à l'analyse des données du point de vue d'un non-développeur
Plutôt que d'utiliser une terminologie complexe ou des explications théoriques, nous présentons l'analyse Python de manière simple et réaliste, en nous concentrant sur la résolution pratique de problèmes et la compréhension des flux de travail.

Fournir un environnement pratique sans installation basé sur Google Colab
Nous avons amélioré l'accessibilité en nous concentrant sur un environnement d'entraînement basé sur le cloud (Colab) afin que même les débutants puissent se lancer sans avoir à se soucier de la configuration de l'environnement.

Des exercices pratiques étape par étape et des fichiers de code fournis
Chaque chapitre propose des exercices pratiques et des explications de code pour vous aider à vérifier vos progrès et à développer des compétences d'application pratique.

Soutien pédagogique lié aux cours vidéo
Tous les exercices pratiques sont organisés de manière à ce que vous puissiez apprendre en suivant la vidéo, de sorte que même ceux qui ont des difficultés à apprendre seuls peuvent apprendre en regardant et en pratiquant.

Si vous débutez dans l'analyse de données avec Python, ce livre est un excellent point de départ.
« Première fois : Analyse de données avec Python » est un ouvrage fondé sur l’expertise de l’auteur, acquise grâce à des cours et des formations pratiques. Il va au-delà des simples explications grammaticales et propose un enseignement basé sur des vidéos et des supports pédagogiques.
Grâce à l'environnement Google Colab, vous pouvez commencer à vous entraîner immédiatement sans aucune installation requise. Sa structure vous permet de suivre pas à pas les bases de NumPy et Pandas jusqu'à l'analyse statistique et l'application pratique, ce qui vous permet d'apprendre naturellement le processus d'analyse des données.
Nous avons inclus de nombreux exemples, explications et conseils afin que même ceux qui ne sont pas familiers avec les chiffres et le code puissent se lancer en toute confiance.
Recommandé à tous ceux qui souhaitent lire, comprendre et expliquer des données.

Ce que vous apprendrez dans ce livre

Concepts de base et construction de l'environnement pour l'analyse des données
Comprendre ce qu'est l'analyse de données et configurer un environnement de pratique sans installation séparée via Google Colab.
Même les débutants peuvent commencer à analyser Python immédiatement dans un environnement basé sur le cloud.

Utilisation de NumPy pour le calcul numérique haute performance
Vous découvrirez les fonctions et propriétés clés de NumPy pour la gestion efficace des tableaux multidimensionnels, les techniques d'indexation et de découpage, la diffusion, les calculs statistiques et d'autres fonctionnalités, et vous poserez les bases des opérations sur les tableaux.

Techniques pratiques d'analyse Pandas utilisant les séries et les DataFrames
En utilisant les structures de base de Pandas, Series et DataFrame, vous apprendrez les fonctions essentielles de l'analyse de données, telles que la récupération, le tri, le filtrage, les statistiques, le regroupement et la combinaison de données, grâce à une pratique concrète.

Tirer des enseignements des données à partir des statistiques et de la visualisation
Apprenez à synthétiser des données à l'aide de diverses fonctions statistiques telles que value_counts, describe, mean, std, groupby et apply, et obtenez des informations grâce à la visualisation.
Nous fournissons également des exemples pratiques adaptés au flux d'analyse.