Découvrez certains des types de données les plus importants (entiers, flottants, chaînes de caractères et booléens) et des structures de données (listes, dictionnaires, tableaux numpy et DataFrames pandas) en Python, et comparez-les à leurs équivalents en R. 

Introduction

Affectation et types de données

Opérations arithmétiques avec des chaînes de caractères

Conteneurs : listes et dictionnaires

Listes

Dictionnaires

Fonctions, méthodes et bibliothèques

Méthodes

Tableaux NumPy

DataFrames pandas

Les bases

Ce chapitre couvre les instructions de contrôle de flux (if-else if-else), les boucles for et vous montre comment écrire vos propres fonctions en Python !

Contrôle du flux et boucles

Contrôle de flux

Boucles

Fonctions

Fonction de consommation excessive individuelle

Fonction générale sur le binge drinking

Fonctions lambda

Compréhensions

Fonctions de mappage

Compréhension de liste

Compréhension de dictionnaire

Contrôle de flux, boucles et fonctions

Dans ce chapitre, vous approfondirez l’une des bibliothèques Python les plus importantes : pandas. En plus des DataFrames, pandas propose plusieurs fonctions et méthodes de manipulation des données. 

Sélectionner des données avec pandas

Sélection de colonnes

Sélection de lignes

Sélectionner des lignes et des colonnes

Types de données

Entiers et flottants

Chaînes de caractères

Catégorie

Dates (I)

Dates (II)

Pandas avancé

Valeurs manquantes

Groupby

Données ordonnées (tidy data)

Pandas

Vous découvrirez l’écosystème riche des bibliothèques de visualisation en Python. Ce chapitre présente matplotlib, la bibliothèque de visualisation de base en Python, ainsi que les bibliothèques pandas et seaborn. 

Tracer directement avec pandas

Graphiques univariés avec pandas

Graphiques bivariés avec pandas

Seaborn

Graphiques univariés avec seaborn

Graphiques bivariés avec seaborn

Graphiques avec facettes dans seaborn

Matplotlib

Graphiques univariés et bivariés avec matplotlib

Sous-figures avec matplotlib

Travailler avec les axes

Peaufiner une figure

Visualisation

Pour terminer, vous appliquerez vos compétences en Python sur le jeu de données NYC Flights 2013.

Données des vols de New York

Charger plusieurs fichiers de données

Explorer

Visualiser

Manipuler des données

Recoder les dates

Agrégats avec groupby

Graphiques

Variables indicatrices

Conclusion

Projet de synthèse

Air quality

Country timeseries

Flights (sample)

Inflammation

NYC Flights 2013

Tips

Python et R ont connu une immense popularité à l’« ère du Machine Learning ». Ce sont deux langages de haut niveau, faciles à apprendre et à écrire. Le choix dépend souvent de votre parcours et de votre domaine d’étude ou de travail. R est un langage conçu par et pour les statisticiens, tandis que Python est un langage de programmation plus généraliste. Quel que soit votre profil, vous rencontrerez des situations où un algorithme n’est implémenté que dans un seul langage, où une fonctionnalité est mieux documentée, ou tout simplement où le tutoriel trouvé en ligne utilise Python au lieu de R.

Dans tous les cas, l’utilisateur de R devra parfois travailler en Python pour mener son projet à bien, ou comprendre comment quelque chose est implémenté en Python afin de le transposer en R. Ce cours vous aide à franchir la barrière entre R et Python.

Introduction to Writing Functions in R

Ce cours est pour les utilisateurs de R souhaitant maîtriser Python rapidement !

Python pour les utilisateurs de R

Ce cours s'adresse aux utilisateurs de R qui souhaitent se familiariser avec Python.

Fonctions

Create Your Free Account