[indice]

Chapitre 1 : Qu'est-ce que la science des données ?
UNITÉ 01 Processus d'analyse des données
UNITÉ 02 Pipeline de collecte de données
UNITÉ 03 Structure du rapport
Essayons

Chapitre 2 : Comprendre les fondamentaux de Python en science des données
UNITÉ 04 Comprendre les fonctions de base des chaînes de caractères
UNITÉ 05 Choisir la structure de données appropriée
UNITÉ 06 Comprendre les listes grâce à la compréhension de listes
UNITÉ 07 Compter avec un compteur
UNITÉ 08 Gestion des fichiers
UNITÉ 09 Accéder au Web
UNITÉ 10 Correspondance de modèles avec des expressions régulières
UNITÉ 11 Gestion des fichiers et autres chaînes de caractères
UNITÉ 12 : Compression de données avec Pickle
Essayons

Chapitre 3 : Traitement des données textuelles
UNITÉ 13 Traitement des fichiers HTML
UNITÉ 14 Gestion des fichiers CSV
UNITÉ 15 Lecture de fichiers JSON
UNITÉ 16 Traitement automatique du langage naturel
Essayons

Chapitre 4 : Travailler avec des bases de données
UNITÉ 17 Configuration d'une base de données MySQL
UNITÉ 18 Utilisation de MySQL : la ligne de commande
UNITÉ 19 Utilisation de MySQL : pymysql
UNITÉ 20 Gestion des documents : MongoDB
Essayons

Chapitre 5 : Traitement des données numériques tabulaires
UNITÉ 21 Création de tableaux
UNITÉ 22 Transformation de matrices lignes et transformation de formes
UNITÉ 23 Indexation et troncature
UNITÉ 24 Diffusion
UNITÉ 25 : Découverte des fonctions universelles
UNITÉ 26 Comprendre les fonctions conditionnelles
UNITÉ 27 Agrégation et tri de tableaux
UNITÉ 28 Traiter les tableaux comme des ensembles
UNITÉ 29 Stockage et lecture de tableaux
UNITÉ 30 Création d'une onde sinusoïdale synthétique
Essayons

Chapitre 6 : Gestion des séries de données et des trames
UNITÉ 31 : Se familiariser avec les structures de données Pandas
UNITÉ 32 Remodelage des données
UNITÉ 33 Gestion des données manquantes
UNITÉ 34 Fusion des données
UNITÉ 35 Tri des données
UNITÉ 36 Transformation des données
UNITÉ 37 Gestion des entrées/sorties de fichiers Pandas
Essayons

Chapitre 7 : Gestion des données réseau
UNITÉ 38 Décomposition des graphes
UNITÉ 39 Séquence d'analyse de réseau
UNITÉ 40 Utilisation de NetworkX
Essayons

Intrigue du chapitre 8
UNITÉ 41 : Création de graphiques simples avec pyplot
UNITÉ 42 Apprendre à connaître les différents types d'intrigue
UNITÉ 43 Conception de l'intrigue
UNITÉ 44 Représentation graphique avec Pandas
Essayons

Chapitre 9 Probabilités et statistiques
UNITÉ 45 Révision des distributions de probabilité
UNITÉ 46 : Révision de la méthodologie statistique
UNITÉ 47 : Analyse statistique avec Python
Essayons

Chapitre 10 : Apprentissage automatique
UNITÉ 48 Conception d'expériences prédictives
UNITÉ 49 Ajustement d'une droite de régression
UNITÉ 50 : Regroupement de données avec le clustering K-means
UNITÉ 51 Survivre à la forêt aléatoire
Essayons

Annexe A Lire la suite
Consultez les réponses aux exercices à une étoile dans l'annexe B.
Annexe C : Aménagement de votre environnement de laboratoire
Références

Avec Python, tout le monde peut analyser et visualiser des données !

Unités 1 à 12 | Apprenez les concepts de base de la science des données et de Python
Apprenez les concepts fondamentaux de la science des données, ainsi que les concepts de base de Python couramment utilisés dans ce domaine, tels que les fonctions de chaînes de caractères, les structures de données, les compteurs, les listes, les expressions régulières et pickle.

UNITÉ 13-40 | Traitement de données diverses
Nous expliquons comment gérer les fichiers texte tels que HTML, CSV et JSON à l'aide de Beautiful Soup et NLTK, comment traiter les données numériques à l'aide de NumPy, comment gérer les données tabulaires à l'aide de Pandas et comment effectuer une analyse de réseau à l'aide de NetworkX.
Nous expliquons également comment utiliser des bases de données externes telles que MySQL (base de données relationnelle) et MongoDB (base de données non relationnelle).


Unités 41 à 51 | Visualisation des données, probabilités et statistiques, et apprentissage automatique
Ce document explique comment dessiner et décorer différents graphiques à l'aide de pyplot et Pandas.
Nous explorerons également brièvement des sujets moins conventionnels comme l'analyse prédictive, les distributions de probabilité, l'analyse statistique en Python, le regroupement de données avec l'algorithme K-means et les forêts aléatoires.