Python for Data Analysis

4.6+

9 avis

Intermediate

Tout d'abord, nous discuterons des applications de NumPy et pourquoi il est populaire. Ensuite, vous apprendrez les différentes options possibles pour créer différents tableaux dans NumPy.

Il est maintenant temps d'apprendre à utiliser la notation d'index pour récupérer des éléments spécifiques ou des sous-ensembles de données à partir de tableaux. Vous apprendrez également à utiliser des indices pour récupérer des données en fonction de certaines conditions et à gérer les valeurs manquantes.

Il existe plusieurs opérations courantes sur les tableaux que vous pourriez vouloir effectuer. Heureusement, NumPy dispose de fonctions et de méthodes intégrées à cet effet que vous apprendrez ici.

Il est temps de découvrir comment utiliser efficacement les opérations mathématiques sur les tableaux NumPy et les appliquer à certains problèmes du monde réel.

Dans cette section, nous explorerons les fondamentaux des structures Series et DataFrame. Vous apprendrez également les distinctions entre ces deux types de structures.

Les données peuvent être obtenues dans divers formats, tels que CSV, JSON, SQL, HTML, et plus encore. Avec Pandas, vous n'êtes pas limité à un seul format — vous pouvez travailler avec des données provenant de nombreux types de fichiers. Dans ce chapitre, nous nous concentrerons spécifiquement sur les formats CSV et TXT.

Ici, vous apprendrez à traiter les données brutes en supprimant les informations superflues et en gérant les valeurs nulles dans un ensemble de données.

Cette section vous apprendra à afficher des colonnes spécifiques par leurs titres ou indices. De plus, vous vous familiariserez avec les façons de sélectionner des lignes par indices.

Ici, vous apprendrez à extraire des données qui ont des conditions spécifiques. De plus, vous apprendrez à les combiner et même à créer les vôtres.

Dans cette section, vous allez approfondir vos connaissances sur la définition de différentes conditions de données. Vous apprendrez à vérifier si vos données se trouvent dans une liste de valeurs définie ou entre deux valeurs. Vous apprendrez également à trouver les plus grandes et les plus petites valeurs.

Cette section est l'une des plus fascinantes du cours. Ici, vous apprendrez à regrouper les données de différentes manières. Cela vous aidera à travailler en tant qu'analyste de données pour découvrir des informations sur des groupes de données spécifiques.

Cette section est l'une des plus importantes pour un analyste de données car si les données contiennent des valeurs manquantes dans un format incorrect, il sera impossible de travailler avec. Ainsi, vous apprendrez ici comment gérer ces valeurs inappropriées.

Nous commencerons notre apprentissage de la théorie des probabilités en examinant quelques définitions et règles de base : qu'est-ce qu'une expérience stochastique et un événement aléatoire, qu'est-ce que l'indépendance et l'incompatibilité des événements dans le contexte de la théorie des probabilités, qu'est-ce que la probabilité et comment pouvons-nous calculer les probabilités de différents événements élémentaires.

Dans les tâches de la vie réelle, nous devons souvent faire face à des relations complexes et, par conséquent, calculer les probabilités de plusieurs événements ou d'événements qui dépendent les uns des autres. Voyons comment nous pouvons le faire en utilisant la théorie des probabilités.

Pour résoudre de nombreux problèmes réels en théorie des probabilités, des modèles spéciaux ont été créés pour décrire une situation particulière. Considérons certains des modèles les plus utilisés qui peuvent être utilisés pour décrire certains résultats discrets d'expériences stochastiques.

Que se passe-t-il si le résultat d'une expérience stochastique ne peut pas être décrit par une valeur discrète ? Pour cela, on utilise des modèles qui fonctionnent avec des valeurs continues. Considérons les plus populaires de ces modèles.

Souvent, nous sommes confrontés à la tâche de vérifier la dépendance des résultats de différentes expériences stochastiques les unes par rapport aux autres. De plus, il est nécessaire non seulement d'évaluer la présence de dépendances, mais aussi de quantifier d'une manière ou d'une autre le degré de ces dépendances. Pour résoudre ces problèmes, nous pouvons utiliser la covariance et la corrélation.

Tout d'abord, nous discuterons des applications de traçage, de la bibliothèque Matplotlib et de ses avantages. Ensuite, vous créerez votre premier tracé simple en utilisant Matplotlib.

Vous êtes maintenant prêt à créer divers graphiques couramment utilisés en pratique. Sans plus attendre, plongeons-nous dedans dès maintenant !

La création de graphiques et la visualisation ne consistent pas seulement à créer un graphique ou plusieurs graphiques, il s'agit également de les rendre clairs, compréhensibles et agréables à regarder. Il est temps d'apprendre la personnalisation des graphiques dans matplotlib, allons-y !

Les statistiques sont essentielles pour travailler avec des données, c'est pourquoi il est extrêmement important de savoir comment créer divers graphiques statistiques. Il est maintenant temps pour nous d'explorer les plus courants.

Seaborn est une autre bibliothèque de tracé puissante en Python construite sur matplotlib. Maintenant que vous êtes familier avec matplotlib, il est temps de plonger dans la visualisation avec seaborn.