Tableurs

Les tableurs (spreadsheet programs) tels qu'Excel et Google Sheets sont des logiciels composés de feuilles de calcul électroniques comportant des lignes et des colonnes dans lesquelles les données peuvent être saisies, manipulées et calculées. Les tableurs offrent une variété de fonctions pour la manipulation des données et permettent de créer facilement des graphiques et des tableaux. Excel est l'un des tableurs les plus largement utilisés et, en tant qu'élément de Microsoft Office, il s'intègre parfaitement aux autres produits Office. Excel a été lancé pour la première fois par Microsoft en 1987 et est devenu l'un des choix les plus populaires pour charger et analyser des données tabulaires sous forme de feuille de calcul. Vous avez probablement déjà utilisé Excel sous une forme ou une autre, peut-être pour organiser les combinaisons possibles de colocataires dans votre chambre universitaire, pour planifier une fête ou dans un cadre pédagogique. Nous mentionnons l'utilisation d'Excel pour manipuler des données dans certains exemples de ce texte, car un tableur est parfois tout simplement le moyen le plus simple de travailler avec certains jeux de données. (Consultez l'Annexe A : Revue d'Excel pour la science des données pour un aperçu des fonctionnalités d'Excel.)

Google Sheets est un tableur basé sur le nuage fourni par Google dans le cadre de Google Workspace. Comme il repose sur le nuage, il est possible d'accéder aux feuilles de calcul depuis n'importe quel appareil connecté à Internet. Cette accessibilité facilite la collaboration et les mises à jour en temps réel entre plusieurs utilisateurs, améliorant ainsi la communication au sein d'une équipe et rend le tableur idéal pour les projets d'équipe ou le partage de données entre collègues. Les utilisateurs peuvent laisser des commentaires, suivre les modifications et communiquer directement au sein de la feuille de calcul.

Les interfaces utilisateur d'Excel et de Google Sheets rendent ces programmes très conviviaux pour de nombreuses applications. Cependant, ces programmes présentent certaines limites lorsqu'il s'agit de traiter de grandes bases de données ou des analyses complexes. Dans ces situations, les scientifiques des données se tournent souvent vers un langage de programmation tel que Python, R ou SPSS.

Langages de programmation

Un langage de programmation (programming language) est un langage formel constitué d'un ensemble d'instructions ou de commandes servant à communiquer avec un ordinateur et à lui ordonner d'exécuter des tâches précises, telles que la manipulation de données, le calcul et les opérations d'entrée/sortie. Les langages de programmation permettent aux développeurs d'écrire des algorithmes, de créer des applications logicielles et d'automatiser des tâches, et ils sont mieux adaptés que les tableurs pour traiter des analyses complexes.

Python et R sont deux des langages de programmation les plus utilisés aujourd'hui. Tous deux sont des langages de programmation open source. Alors que Python a débuté en tant que langage polyvalent couvrant divers types de tâches (par exemple, le calcul numérique, l'analyse de données, le traitement d'images et le développement web), R a été plus spécifiquement conçu pour le calcul statistique et les graphiques. Tous deux utilisent une syntaxe simple par rapport aux langages de programmation traditionnels tels que Java ou C/C++. Ils offrent une vaste collection de paquets pour la manipulation de données, l'analyse statistique, la visualisation, l'apprentissage automatique et les tâches complexes de modélisation des données.

Nous avons choisi de nous concentrer sur Python dans cet ouvrage en raison de sa syntaxe simple et intuitive, ce qui le rend particulièrement facile à apprendre et à mettre en pratique pour les débutants. De plus, les compétences en Python s'appliquent à un large éventail de travaux informatiques. Python dispose également d'un vaste réseau de bibliothèques et de cadriciels spécialement conçus pour l'analyse de données, l'apprentissage automatique et le calcul scientifique. Comme nous le verrons, les bibliothèques Python telles que NumPy, Pandas, Matplotlib et Seaborn fournissent des outils puissants pour la manipulation de données, la visualisation et les tâches d'apprentissage automatique, ce qui fait de Python un choix polyvalent pour gérer des jeux de données. Vous trouverez les bases de R et divers exemples de code R dans l'Annexe B : Revue de R Studio pour la science des données. Si vous souhaitez apprendre à utiliser R, vous pouvez vous exercer avec RStudio, une application logicielle couramment utilisée pour éditer et exécuter des programmes R.

Autres outils d'analyse et de visualisation de données

Il existe d'autres outils d'analyse de données particulièrement performants en matière de visualisation de données. Tableau et PowerBI sont des applications conviviales pour la visualisation de données. Elles sont réputées pour offrir des visualisations interactives et plus sophistiquées pour les données de grande dimension. Elles proposent également une interface utilisateur relativement simple pour élaborer un tableau de bord d'analyse. Toutes deux permettent également aux utilisateurs d'effectuer une analyse de données simple avant de visualiser les résultats, à l'instar d'Excel.

En général, la visualisation de données vise à rendre les données complexes plus compréhensibles et exploitables. Les outils et technologies décrits dans cette section offrent diverses manières de créer les visualisations les plus accessibles possible. Consultez le chapitre Visualisation de données pour une discussion plus approfondie des types de visualisations — diagrammes, graphiques, boîtes à moustaches, histogrammes, etc. — qui peuvent être générés pour aider à dégager le sens des données.