Python Data Science

1 - Débutant

21 heures 0 mins

Data Science

Objectifs de la formation

Posséder une vue d’ensemble de l’écosystème scientifique de Python
Connaître les librairies scientifiques incontournables pour la science des données
Être capable de manipuler des données volumineuses avec Python
Comprendre l’intérêt de la datavisualisation
Savoir visualiser des données avec Python

Programme de la formation

Présentation de l’écosystème Python scientifique

Panorama de l’écosystème scientifique de Python : les librairies incontournables.
Savoir où trouver de nouvelles librairies et juger de leur pérennité.
Les principaux outils et logiciels open source pour la data science.
Pourquoi utiliser une distribution scientifique, Anaconda.
Comprendre l’intérêt d’un environnement virtuel et savoir l’utiliser.
L’interpréteur IPython et le serveur Jupyter.
Les bonnes pratiques pour bien démarrer votre projet de data science avec Python.
Les formats de fichiers scientifiques et les librairies pour les manipuler.

Travaux pratiques

Mise en place de l’environnement de développement : installation d’Anaconda, création d’un environnement virtuel, export et duplication d’un environnement, utiliser les notebooks Jupyter.

La SciPy Stack

Le socle de librairies scientifiques incontournables sur lequel sont basées toutes les autres : la SciPy Stack.
Pandas : l’analyse de données tabulaires (CSV, Excel, etc.), statistiques, pivots, filtres, recherche…
- Series et DataFrames
- Import de données depuis des fichiers et des bases de données
- Récupération de statistiques simples et d’informations diverses
- Nettoyage des données
- Manipulation des colonnes et des types de donnée
- Sélections, filtres
- Manipulations de données temporelles
- Regroupement des données
Matplotlib : la librairie de visualisation de données incontournable.
- Présentation de la librairie
- Une première figure : tracé de courbe
- Mettre plusieurs graphes sur une même figure
- Quelques exemples de courbes : histogrammes, camemberts, nuages de points

Travaux pratiques

Exercice fil rouge de manipulations avec pandas, tracé de divers graphes, exploitation de données issues de Pandas

Les librairies de visualisation

Panorama des librairies de visualisation de Python : 2D/3D, desktop/web, statistiques, cartographie, big data…
Les librairies orientées desktop : Matplotlib, Pandas, Seaborn.
Les librairies orientées web : Bokeh, Altair, Plotly…
Les librairies pour la 3D : Plotly, pythreejs, ipyvolume…
Les librairies cartographiques : Cartopy, folium, ipyleaflet, Bokeh, cesiumpy…
Les librairies big data : datashader, Vaex…

Travaux pratiques

Réalisation de multiples exercices avec quelques librairies présentées. Visualisation big data, cartographique, 2D et 3D.

La datavisualisation

L’intérêt de la datavisualisation
Utiliser PyViz et l’écosystème HoloViz.
Présentation des outils SuperSet, Mayavi, Paraview et VisIt.

Travaux pratiques

Poursuivre l’utilisation des librairies de visualisation et manipulations des outils.

Les formats de fichiers scientifiques et la manipulation de données volumineuses

Panorama des principaux formats de fichiers scientifiques : NetCDF, HDF5, GRIB, JSON, PARQUET, MATLAB, CGNS…
Manipuler des données volumineuses avec Dask, Vaex et Xarray.

Travaux pratiques

Manipulation de données dépassant les Go, lecture et écriture de fichiers NetCDF/HDF5. Visualisation de données climatiques, images satellites, création de vidéos/animations graphiques.

MOYENS PÉDAGOGIQUES ET TECHNIQUES D’ENCADREMENT DES FORMATIONS

Modalités pédagogiques :

Évaluation des besoins et du profil des participants.
Apport théorique et méthodologique : séquences pédagogiques regroupées en différents modules.
Contenus des programmes adaptés en fonction des besoins identifiés pendant la formation.
Le formateur évalue la progression pédagogique du participant tout au long de la formation au moyen de travaux pratiques, étude de cas et mise en situation.
Méthodes expositive, active et participative.
Réflexion et échanges sur cas pratiques.
Retours d'expériences.
Corrections appropriées et contrôles des connaissances à chaque étape, fonction du rythme de l’apprenant mais également des exigences requises au titre de la formation souscrite.

Éléments matériels :

Mise à disposition des outils nécessaires au bon déroulement des travaux pratiques.
Support de cours au format numérique projeté sur écran et transmis au participant en fin de la formation.

Référent pédagogique et formateur :

Chaque formation est sous la responsabilité du directeur pédagogique de l’organisme de formation.
Le bon déroulement est assuré par le formateur désigné par l’organisme de formation.

MOYENS PERMETTANT LE SUIVI ET L’APPRÉCIATION DES RÉSULTATS

Feuilles de présences signées des participants et du formateur par demi-journée.
Attestation de fin de formation mentionnant les objectifs, la nature et la durée de l’action et les résultats de l’évaluation des acquis de la formation.

Please login to get access to the quiz

Back to Data Science

Data Science