Data Science Python : numpy, pandas, matplotlib

numpy, pandas, matplotlib

🔢

numpy

Creer un tableau- numpy.array est bien plus rapide qu'une liste Python pour du calcul numerique, car les operations s'appliquent directement a tout le tableau (vectorisation).

import numpy as np
a = np.array([1, 2, 3])
b = np.zeros(5)          # tableau de 5 zeros
c = np.arange(0, 10, 2)  # [0, 2, 4, 6, 8]

Operations vectorisees- Une operation sur un tableau numpy s'applique automatiquement a chaque element, sans ecrire de boucle.

a = np.array([1, 2, 3])
a * 2          # [2, 4, 6] : chaque element est multiplie
a + 10         # [11, 12, 13]
a.mean()       # moyenne des elements
a.sum()        # somme des elements

Indexation et slicing- Fonctionne comme les listes Python, mais s'etend facilement aux tableaux a plusieurs dimensions (matrices).

matrice = np.array([[1, 2, 3], [4, 5, 6]])
matrice[0, 1]     # 2 : ligne 0, colonne 1
matrice[:, 0]     # [1, 4] : toute la colonne 0

📊

pandas

Creer un DataFrame- Un DataFrame est un tableau de donnees avec des colonnes nommees, comme une feuille de tableur.

import pandas as pd
df = pd.DataFrame({"a": [1, 2], "b": [3, 4]})
df.head()         # affiche les premieres lignes
df.shape          # (nombre de lignes, nombre de colonnes)

Lire un fichier CSV- Une des utilisations les plus courantes : charger des donnees externes directement dans un DataFrame.

df = pd.read_csv("donnees.csv")
df.to_csv("export.csv", index=False)   # sauvegarder sans la colonne d'index

Filtrer et selectionner- Selectionner des colonnes ou des lignes selon une condition, sans boucle explicite.

df["a"]                    # selectionner une colonne
df[df["a"] > 1]            # filtrer les lignes ou la colonne 'a' > 1
df.loc[0, "a"]             # valeur a la ligne 0, colonne 'a'

📈

matplotlib

Tracer une courbe- pyplot est le module le plus utilise de matplotlib pour des graphiques simples et rapides.

import matplotlib.pyplot as plt
plt.plot([1, 2, 3], [4, 9, 16])   # x=[1,2,3], y=[4,9,16]
plt.show()                          # affiche la fenetre du graphique

Personnaliser le graphique- Ajouter un titre et des labels rend le graphique comprehensible sans explication supplementaire.

plt.plot([1, 2, 3], [4, 9, 16], label="mesure")
plt.title("Evolution de la mesure")
plt.xlabel("Temps (s)")
plt.ylabel("Valeur")
plt.legend()          # affiche la legende (utilise le 'label' defini plus haut)
plt.show()

Sauvegarder en image- Utile pour generer automatiquement des rapports ou des graphiques sans interface graphique (ex: sur un serveur).

plt.plot([1, 2, 3])
plt.savefig("graphique.png", dpi=150)   # enregistre au lieu d'afficher