←
Annexe D Annexe D : Récapitulatif des fonctions Python

Annexe D Annexe D : Récapitulatif des fonctions Python

Cette annexe fournit un résumé des fonctions Python utilisées dans ce manuel. L'objectif est de mettre à disposition des étudiants une référence croisée des commandes Python comprenant une description des fonctions Python, la syntaxe générale d'utilisation et un lien vers la section où la fonction apparaît pour la première fois dans le texte.

Veuillez noter qu'il s'agit d'une description très générale de ces fonctions. De nombreuses fonctions nécessitent l'installation de bibliothèques spécifiques. Pour plus de détails sur les fonctions Python, leur syntaxe et leur utilisation, veuillez vous référer à la documentation de Python disponible en ligne.

Fonction Python Description Syntaxe Première référence
Que sont les données et la science des données ? 
print()
 Affiche un message spécifié ou des valeurs spécifiées à l'écran ou sur un autre périphérique de sortie 
print(“text”)

print(x, y)
 Notions fondamentales de Python pour la science des données 
pd.read_csv()
 Charge les données à partir d'un fichier CSV (valeurs séparées par des virgules) et les stocke dans un DataFrame 
pd.read_csv
(path_to_csv datafile)
 Notions fondamentales de Python pour la science des données 
DataFrame.describe()
 Renvoie un tableau contenant des statistiques de base pour un jeu de données, notamment le minimum, le maximum, la moyenne, le décompte et les quartiles 
DataFrame.describe()


 Où :
 
DataFrame
est le nom du
DataFrame.		 Notions fondamentales de Python pour la science des données 
DataFrame.iloc[]
 Permet d'accéder aux données d'un DataFrame à l'aide d'indices entiers de lignes/colonnes. 
DataFrame.iloc[row, column]


 Où :
 
DataFrame
est le nom du
DataFrame.		 Notions fondamentales de Python pour la science des données 
DataFrame.loc[]
 Permet d'accéder à un ensemble de lignes et de colonnes par des étiquettes ou un tableau booléen 
DataFrame.loc[criteria]


 Où :
 
DataFrame
est le nom du
DataFrame.		 Notions fondamentales de Python pour la science des données 
Plt.scatter()
 Génère un nuage de points pour les données (x, y) 
plt.scatter(x_data, y_data)
 Notions fondamentales de Python pour la science des données 
Plt.title()
 Définit un titre pour un graphique 
plt.title(“Title”)
 Notions fondamentales de Python pour la science des données 
Plt.xlabel()
 Définit une étiquette pour l'axe des x 
plt.xlabel(“x-axis label”)
 Notions fondamentales de Python pour la science des données 
Plt.ylabel()
 Définit une étiquette pour l'axe des y 
plt.ylabel(“y-axis label”)
 Notions fondamentales de Python pour la science des données 
Plt.xlim()
 Définit les limites à utiliser pour la graduation de l'axe des x 
plt.xlim(lower, upper)
 Notions fondamentales de Python pour la science des données 
Plt.ylim()
 Définit les limites à utiliser pour la graduation de l'axe des y 
plt.ylim(lower, upper)
 Notions fondamentales de Python pour la science des données
Collecte et préparation des données 
pd.read_html()
 Lit les tableaux HTML d'une page web et les convertit en DataFrame 
pd.read_html(URL)
 Extraction de données web et collecte de données sur les réseaux sociaux 
pd.to_numeric()
 Convertit des chaînes de caractères ou d'autres types de données en valeurs numériques 
pd.to_numeric
(column_name)
 Extraction de données web et collecte de données sur les réseaux sociaux 
len()
 Renvoie la longueur d'un objet 
len(object)
 Extraction de données web et collecte de données sur les réseaux sociaux 
re.findall()
 Renvoie toutes les correspondances sans chevauchement d'un motif spécifié dans une chaîne 
re.findall(pattern, string)
 Extraction de données web et collecte de données sur les réseaux sociaux 
re.search()
 Vérifie si un motif spécifié apparaît dans une chaîne 
re.search(pattern, string)
 Extraction de données web et collecte de données sur les réseaux sociaux
Statistiques descriptives : mesures statistiques et distributions de probabilité 
binom.pmf()
 Calcule la fonction de masse de probabilité (PMF) pour une loi binomiale. Elle donne la probabilité d'obtenir exactement x succès lors de n épreuves avec une probabilité de succès p. 
binom.pmf(x, n, p)


 Où :
 x est le nombre de succès dans
l'expérience,
 n est le nombre d'épreuves dans
l'expérience,
 p est la probabilité de succès.		 Distributions de probabilité discrètes et continues 
round()
 Arrondit un résultat numérique à un niveau de précision spécifié 
round(number, digits)
 Distributions de probabilité discrètes et continues 
poisson.pmf()
 Calcule les probabilités associées à la loi de Poisson 
poisson.pmf(x, mu)


 Où :
 x est le nombre d'événements
d'intérêt,
 mu est la moyenne de la loi de
Poisson.		 Distributions de probabilité discrètes et continues 
norm.cdf()
 Calcule les probabilités associées à la distribution normale (renvoie l'aire sous la fonction de densité de probabilité normale à gauche d'une mesure spécifiée) 
norm.cdf(x, mu, std)


 Où :
 x est la mesure d'intérêt,
 mu est la moyenne de la distribution
normale,
 std est l'écart type de
la distribution normale.		 Distributions de probabilité discrètes et continues
Statistiques inférentielles et analyse de régression 
t.ppf()
 Génère la valeur de la loi de Student correspondant à une aire spécifiée sous la courbe de la loi de Student et à des degrés de liberté spécifiés 
t.ppf
(area to left, degrees of
freedom)
 Inférence statistique et intervalles de confiance 
bootstrap()
 Exécute une procédure de bootstrap pour générer un intervalle de confiance 
bootstrap
(data, statistic,
confidence_level,
number_resamples)
 Inférence statistique et intervalles de confiance 
norm.interval()
 Calcule l'intervalle de confiance pour la moyenne lorsque l'écart type de la population est connu, à partir de la moyenne échantillonnale, de l'écart type de la population et de la taille de l'échantillon (utilise la distribution normale). Remarque : l'erreur type est l'écart type divisé par la racine carrée de la taille de l'échantillon. 
norm.interval
(conf_level, sample_mean,
standard_error)
 Inférence statistique et intervalles de confiance 
t.interval()
 Calcule l'intervalle de confiance pour la moyenne lorsque l'écart type de la population est inconnu, à partir de la moyenne échantillonnale, de l'écart type échantillonnal et de la taille de l'échantillon (utilise la loi de Student). Remarque : l'erreur type est l'écart type divisé par la racine carrée de la taille de l'échantillon. 
t.interval
(conf_level,
degrees_freedom,
sample_mean,
standard_error)
 Inférence statistique et intervalles de confiance 
proportion_confint()
 Calcule l'intervalle de confiance pour une proportion (utilise la distribution normale) 
proportion_confint
(success, sample_size,
alpha)
 Inférence statistique et intervalles de confiance 
ttest_1samp()
 Renvoie la valeur de la statistique de test et la valeur p bilatérale pour un test d'hypothèse sur un échantillon unique à l'aide de la loi de Student 
ttest_1samp
(data_array,
null_hypothesis_mean)
 Test d'hypothèse 
ttest_ind_from_stats()
 Renvoie la valeur de la statistique de test et la valeur p bilatérale pour un test d'hypothèse à deux échantillons à l'aide de la loi de Student 
ttest_ind_from_stats
(sample_mean1,
sample_standard_deviation1,
sample_size1, sample_mean2,
sample_standard_deviation2,
sample_size2)
 Test d'hypothèse 
np.array()
 Crée un tableau numérique à partir d'un objet de type liste 
np.array(object)
 Analyse de corrélation et de régression linéaire 
pearsonr()
 Calcule la valeur du coefficient de corrélation de Pearson r 
pearsonr
(x_data, y_data)
 Analyse de corrélation et de régression linéaire 
linregress()
 Génère un modèle de régression linéaire et fournit la pente, l'ordonnée à l'origine et d'autres résultats liés à la régression 
linregress
(x_data, y_data)
 Analyse de corrélation et de régression linéaire 
f_oneway()
 Renvoie à la fois la statistique de test F et la valeur p pour le test d'hypothèse d'ANOVA à un facteur 
f_oneway
(Array1, Array2, Array3, …)
 Analyse de la variance (ANOVA)
Séries temporelles et prévisions 
plot()
 Génère un graphique de série temporelle 
plot(dataframe)
 Introduction à l'analyse de séries temporelles 
rolling()
 Fournit des calculs sur fenêtre glissante 
rolling
(window=window)
 Méthodes de prévision des séries temporelles 
mean()
 Calcule la moyenne d'un jeu de données 
mean(dataset)
 Méthodes de prévision des séries temporelles 
diff()
 Calcule la différence d'ordre 1 des données dans une fenêtre 
diff(dataframe)
 Méthodes de prévision des séries temporelles 
plot_acf()
 Trace la fonction d'autocorrélation (ACF) pour une série temporelle jusqu'au décalage L 
Plot_acf
(time_series_data, lags=L)
 Méthodes de prévision des séries temporelles 
STL()
 Décompose une série temporelle de période connue P en ses différentes composantes 
STL
(time_series_data, 
period=P)
 Méthodes de prévision des séries temporelles 
ewm()
 Effectue un lissage par moyenne mobile exponentielle (EMA) 
ewm(dataframe)
 Méthodes de prévision des séries temporelles 
adfuller()
 Effectue le test de Dickey-Fuller augmenté (ADF), qui est un test statistique permettant de vérifier la stationnarité d'une série temporelle 
adfuller
(time_series_data)
 Méthodes de prévision des séries temporelles 
ARIMA()
 Ajuste un modèle ARIMA(p, d, q) (autorégressif intégré à moyenne mobile) à des données de séries temporelles 
ARIMA
(time_series_data, 
order=(p, d, q))
 Méthodes de prévision des séries temporelles
Prise de décision à l'aide des bases de l'apprentissage automatique 
LogisticRegression()
 Crée un modèle de régression logistique 
LogisticRegression()
 Classification à l'aide de l'apprentissage automatique 
model.fit()
 Entraîne un modèle d'apprentissage automatique sur un jeu de données donné 
model.fit
(feature_matrix,
target_vector)
 Classification à l'aide de l'apprentissage automatique 
KMeans()
 Configure un modèle de clustering des k-moyennes (utilisez model.fit() pour ajuster le modèle à un jeu de données.) 
KMeans(n_clusters=k)
 Classification à l'aide de l'apprentissage automatique 
DBSCAN()
 Configure un modèle DBSCAN (Density-Based Spatial Clustering of Applications with Noise) (utilisez model.fit() pour ajuster le modèle à un jeu de données.) 
DBSCAN(options)
 Classification à l'aide de l'apprentissage automatique 
confusion_matrix()
 Utilisée pour visualiser les performances d'un modèle en comparant les valeurs réelles et prédites 
confusion_matrix
(target_values,
predicted_values)
 Classification à l'aide de l'apprentissage automatique 
LinearRegression()
 Ajuste un modèle de régression linéaire à des données 
LinearRegression()

.fit(feature_matrix,
target_vector)
 Apprentissage automatique dans l'analyse de régression 
predict()
 Utilisée sur des modèles d'apprentissage automatique entraînés pour générer des prédictions pour de nouvelles données 
predict(feature_matrix)
 Apprentissage automatique dans l'analyse de régression 
DecisionTreeClassifier()
 Configure un modèle d'arbre de décision (utilisez model.fit() pour ajuster le modèle à un jeu de données.) 
DecisionTreeClassifier
(options)
 Arbres de décision 
ens.RandomForestRegressor()
 Configure un modèle de forêt aléatoire (utilisez model.fit() pour ajuster le modèle à un jeu de données.) 
ens.RandomForestRegressor
(options)
 Autres techniques d'apprentissage automatique 
GaussianNB()
 Configure un modèle de classification naïve bayésienne (utilisez model.fit() pour ajuster le modèle à un jeu de données.) 
GaussianNB()
 Autres techniques d'apprentissage automatique
Bases de l'apprentissage profond et de l'intelligence artificielle (IA) 
Perceptron()
 Configure un modèle de perceptron (utilisez model.fit() pour ajuster le modèle à un jeu de données.) 
Perceptron()
 Introduction aux réseaux de neurones 
train_test_split()
 Divise aléatoirement un jeu de données en sous-ensembles d'entraînement et de test, en utilisant une proportion P des données pour l'ensemble de test 
train_test_split
(input_data_arrays,
target_data, test_size=P)
 Introduction aux réseaux de neurones 
StandardScaler()
 Permet de standardiser les variables en soustrayant la moyenne et en mettant à l'échelle pour obtenir une variance unitaire 
StandardScaler()
 Introduction aux réseaux de neurones 
accuracy_score()
 Calcule l'exactitude d'un modèle de classification comme le rapport entre le nombre de prédictions correctes et le nombre total de prédictions 
accuracy_score
(y_true, y_predicted)
 Introduction aux réseaux de neurones 
scaler.fit_transform()
 Ajuste un outil de mise à l'échelle (scaler) aux données puis transforme les données selon le scaler ajusté 
scaler.fit_transform(array)
 Introduction aux réseaux de neurones 
scaler.transform()
 Applique un scaler préalablement ajusté à de nouvelles données 
scaler.transform(array)
 Introduction aux réseaux de neurones 
tf.keras.Sequential()
 Crée un empilement linéaire de couches pour construire un modèle de réseau de neurones 
tf.keras.Sequential
(layers, additional
options)
 Rétropropagation 
model.compile()
 Permet de configurer le processus d'apprentissage d'un modèle de réseau de neurones avant l'entraînement 
model.compile
(optimizer, loss, metrics)
 Rétropropagation
Visualisation de données 
boxplot()
 Crée une boîte à moustaches 
plt.boxplot(array)
 Encodage des données univariées 
hist()
 Crée un histogramme 
plt.hist (array)
 Encodage des données univariées 
plot()
 Crée des graphiques linéaires 2D tels qu'un graphique de série temporelle 
plt.plot
(x_data, y_data)
 Représentation graphique des distributions de probabilité 
bar()
 Crée un graphique à barres 
plt.bar
(x_array, heights)
 Représentation graphique des distributions de probabilité 
imshow()
 Affiche une image sur une grille régulière 2D, comme une carte thermique 
plt.imshow(array)
 Visualisation de données géospatiales et de cartes thermiques avec Python 
heatmap()
 Crée une visualisation sous forme de carte thermique 
sns.heatmap(array)
 Visualisation de données géospatiales et de cartes thermiques avec Python 
colorbar()
 Ajoute une échelle de couleurs à une figure 
plt.colorbar()
 Visualisation de données multivariées et de réseaux avec Python 
corr()
 Calcule les corrélations deux à deux des colonnes d'un DataFrame 
dataframe.corr()
 Visualisation de données multivariées et de réseaux avec Python 
add.subplot()
 Ajoute un sous-graphique à une figure stockée dans fig 
fig.add.subplot
(position)
 Visualisation de données multivariées et de réseaux avec Python 
ax.scatter()
 Crée un nuage de points 
ax.scatter
(x_data, y_data)
 Visualisation de données multivariées et de réseaux avec Python
Présentation des résultats 
plot_tree()
 Crée une visualisation d'un arbre de décision 
plot_tree
(estimator, feature_names)
 Validation de votre modèle 
DataFrame.info()
 Fournit un résumé concis de la structure et du contenu d'un DataFrame 
DataFrame.info()
 Validation de votre modèle 
DataFrame.drop()
 Supprime des lignes ou des colonnes d'un DataFrame 
DataFrame.drop
(labels, axis=rows_columns)
 Validation de votre modèle 
score()
 Évalue les performances d'un modèle entraîné sur un jeu de données donné 
model.score
(feature_matrix,
true_labels)
 Validation de votre modèle 
dt.get_depth()
 Récupère la profondeur de l'arbre de décision, dt 
dt.get_depth()
 Validation de votre modèle 
cross_val_score()
 Évalue les performances d'un modèle à l'aide de la validation croisée 
cross_val_score
(estimator, feature_matrix,
target_variable)
 Validation de votre modèle 
GridSearchCV ()
 Recherche les meilleurs paramètres pour un estimateur spécifié, avec validation croisée à k plis 
GridSearchCV
(estimator, parameters, k)
 Validation de votre modèle
Tableau D1