Formation Analyse de données avancée avec Python et Pandas : techniques performantes

01.Introduction à Pandas et structures de données avancées

• —Rappels fondamentaux sur les DataFrames et Series
• —Indexation multi-niveaux (MultiIndex) et utilisation avancée
• —Gestion des types de données (dtypes) et conversion optimisée
• —Bonnes pratiques de chargement de données (CSV, Excel)

02.Nettoyage et préparation des données (Partie 1)

• —Gestion des valeurs manquantes (NaN, None) : détection et imputation avancée
• —Détection et correction des doublons
• —Traitement des données aberrantes (outliers) : identification et stratégies
• —Uniformisation et standardisation des formats de données

03.Nettoyage et préparation des données (Partie 2)

• —Manipulation de chaînes de caractères avec `.str`
• —Conversion et manipulation des données temporelles (DateTime)
• —Opérations de fusion (merge) et concaténation (concat) avancées
• —Reshaping de données : pivot, melt, stack, unstack

04.Agrégation et groupement performants

• —Fonction `.[ ]groupby()` et ses applications avancées
• —Agrégations multiples et personnalisées (`.agg()`)
• —Itérations sur les groupes et transformations par groupe (`.apply()`, `.transform()`)
• —Création de tableaux croisés dynamiques (`.pivot_table()`)

05.Techniques d'indexation et sélection avancées

• —Indexation booléenne complexe et chaînée
• —Utilisation des méthodes `.loc[]` et `.iloc[]` pour la sélection
• —Slice, sélection par étiquette ou position
• —Techniques pour optimiser la sélection de grands datasets

06.Optimisation des performances avec Pandas

• —Compréhension de la mémoire et des types de données
• —Utilisation de `categoricals` pour optimiser la mémoire
• —Vectorisation des opérations vs boucles Python explicites
• —Astuces pour accélérer les traitements : `.apply()` vs fonctions natives

07.Introduction à la visualisation de données avec Matplotlib/Seaborn

• —Rappels sur Matplotlib et intégration avec Pandas
• —Visualisation de distributions (histogrammes, KDE, boxplots)
• —Visualisation de relations (scatter plots, joint plots)
• —Personnalisation avancée des graphiques

08.Visualisation avancée et techniques narratives

09.Analyse exploratoire de données (EDA) approfondie

• —Stratégies d'exploration pour grands jeux de données
• —Identification de tendances, patterns et corrélations
• —Utilisation de statistiques descriptives avancées
• —Outils d'automatisation de l'EDA (Pandas Profiling)

10.Fonctions de fenêtre et échantillonnage

• —Application de fonctions de fenêtre (`.rolling()`, `.expanding()`)
• —Calcul de moyennes mobiles, sommes cumulées
• —Échantillonnage de données (stratégies aléatoires et stratifiées)
• —Utilisation pour l'analyse de séries temporelles

11.Traitement de données externes et API (Cas pratiques)

• —Lecture et écriture de données depuis des bases de données SQL
• —Interaction avec des API web (JSON, XML)
• —Parsing et manipulation de données non-structurées
• —Intégration de données de diverses sources dans Pandas

12.Workflow d'analyse de données et déploiement

• —Structuration d'un projet d'analyse de données
• —Création de pipelines de traitement de données
• —Exportation des résultats et rapports automatisés
• —Bonnes pratiques de code et de documentation
• —## COMPÉTENCES ACQUISES