←
Résumé

15.6 Résumé

Les points clés de ce chapitre sont notamment les suivants :

  • La science des données est un domaine multidisciplinaire qui combine la collecte, le traitement et l'analyse de grands volumes de données afin d'extraire des connaissances et de guider des prises de décision éclairées.
  • Le cycle de vie de la science des données est le cadre méthodologique suivi par les scientifiques des données pour mener à bien un projet de science des données.
  • Le cycle de vie de la science des données comprend 1) l'acquisition des données, 2) l'exploration des données, 3) l'analyse des données et 4) la communication des résultats.
  • Google Colaboratory est un environnement Jupyter Notebook basé sur le cloud qui permet aux programmeurs d'écrire, d'exécuter et de partager du code Python en ligne.
  • NumPy (Numerical Python) est une bibliothèque Python qui prend en charge des opérations numériques efficaces sur de grands tableaux multidimensionnels et sert de brique fondamentale pour l'analyse de données en Python.
  • NumPy implémente un objet ndarray qui permet la création de tableaux multidimensionnels de types de données homogènes ainsi qu'un traitement efficace des données.
  • NumPy fournit des fonctionnalités pour les opérations mathématiques, la manipulation de tableaux et les opérations d'algèbre linéaire.
  • Pandas est une bibliothèque Python open source utilisée pour le nettoyage, le traitement et l'analyse de données.
  • Pandas fournit les structures de données Series et DataFrame, des fonctionnalités de traitement de données et une intégration avec d'autres bibliothèques.
  • L'analyse exploratoire des données (EDA) consiste à analyser les données pour en tirer des enseignements, identifier des régularités et comprendre la structure sous-jacente des données.
  • Une caractéristique est une variable ou un attribut individuel calculé à partir des données brutes d'un jeu de données.
  • L'indexation de données permet de sélectionner et d'accéder à des lignes et des colonnes spécifiques.
  • Le découpage de données fait référence à la sélection d'un sous-ensemble de lignes et/ou de colonnes d'un DataFrame.
  • Le filtrage de données consiste à sélectionner des lignes ou des colonnes en fonction de certaines conditions.
  • Des valeurs manquantes dans un jeu de données peuvent survenir lorsque les données ne sont pas disponibles ou n'ont pas été enregistrées correctement.
  • La visualisation de données joue un rôle crucial en science des données pour la compréhension des données.
  • Les différents types de visualisations incluent le diagramme en barres, le graphique linéaire, le nuage de points, l'histogramme et la boîte à moustaches.
  • Plusieurs bibliothèques Python de visualisation de données existent et offrent une gamme de fonctionnalités pour créer différents types de graphiques. Ces bibliothèques comprennent Matplotlib, Seaborn et Plotly.
  • Les alias conventionnels pour importer NumPy, Pandas et Matplotlib.pyplot sont respectivement np, pd et plt.

À ce stade, vous devriez être en mesure d'écrire des programmes pour créer des structures de données permettant de stocker différents jeux de données, ainsi que d'explorer et de visualiser ces jeux de données.

Fonction Description

np.array()

Crée un ndarray à partir d'une liste ou d'un tuple.

np.zeros()

 Crée un tableau de zéros.

np.ones()

 Crée un tableau de uns.

np.random.rand(n, m)

Crée un tableau de nombres aléatoires comportant n lignes et m colonnes

np.genfromtxt('data.csv', delimiter=',')

 Crée un tableau à partir d'un fichier CSV.

pd.DataFrame()

Crée un DataFrame à partir d'une liste, d'un dictionnaire ou d'un tableau.

pd.read_csv()

Crée un DataFrame à partir d'un fichier CSV.

df.head()

Renvoie les premières lignes d'un DataFrame.

df.tail()

Renvoie les dernières lignes d'un DataFrame.

df.info()

 Fournit un résumé du DataFrame, incluant les noms de colonnes, les types de données et le nombre de valeurs non 
Null
.

df.describe()

 Génère le nombre d'éléments, la moyenne, l'écart-type, le minimum, le maximum et les quartiles de chaque colonne.

df.value_counts()

 Compte les occurrences des valeurs uniques d'une colonne et les présente par ordre décroissant.

df.unique()

 Renvoie un tableau des valeurs uniques d'une colonne.

loc[]

 Permet d'accéder aux données d'un DataFrame à l'aide des étiquettes de lignes/colonnes.

iloc[]

 Permet d'accéder aux données d'un DataFrame à l'aide d'indices entiers de lignes/colonnes.

df[condition]

Sélectionne uniquement les lignes qui remplissent la condition donnée.

df.loc[start_row:end_row, start_column:end_column]

 Effectue un découpage à l'aide de plages d'étiquettes.

df.loc[[label1, label2, ...], :]

Découpe les lignes présentes dans la liste [label1, label2, ...].

df.isnull()

Renvoie un tableau booléen dont les valeurs booléennes indiquent si chaque entrée est Null.

fillna()

Remplace les valeurs Null.

dropna()

Supprime toutes les lignes contenant une valeur Null.

plt.bar(x, height)

Prend deux entrées, x et height, et trace des barres pour chaque valeur de x avec la hauteur indiquée dans la variable height.

plt.plot(x, y)

Prend deux entrées, x et y, et trace des lignes reliant les paires de valeurs (x, y).

plt.scatter(x, y)

Prend deux entrées, x et y, et trace des points représentant des paires (x, y).

plt.hist(x)

Prend une entrée, x, et trace un histogramme des valeurs de x pour illustrer la distribution ou la tendance.

plt.boxplot(x)

Prend une entrée, x, et représente le minimum, le maximum, les premier, deuxième et troisième quartiles, ainsi que les valeurs aberrantes de x.
Tableau 15.13 Référence du chapitre 15.