Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                
Scribd Logo
Importer

Bienvenue sur Scribd !

  • 66 vues

    4 Pandas Seaborn

    Transféré par

    Azeddine El-mamouni
    Le document présente Pandas et Seaborn, deux bibliothèques Python pour l'analyse de données. Il décrit les principales structures de données de Pandas comme les séries et les DataFrames, et comment charger des données à partir de fichiers. Le document présente également des commandes de base de Pandas et introduit la bibliothèque Seaborn pour la visualisation de données.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd

    4 Pandas Seaborn

    Transféré par

    Azeddine El-mamouni
    66 vues11 pages
    Le document présente Pandas et Seaborn, deux bibliothèques Python pour l'analyse de données. Il décrit les principales structures de données de Pandas comme les séries et les DataFrames, et comment charger des données à partir de fichiers. Le document présente également des commandes de base de Pandas et introduit la bibliothèque Seaborn pour la visualisation de données.

    Titre original

    4_Pandas_Seaborn

    Copyright

    © © All Rights Reserved

    Formats disponibles

    PDF, TXT ou lisez en ligne sur Scribd

    Avez-vous trouvé ce document utile ?

    Ce contenu est-il inapproprié ?

    Le document présente Pandas et Seaborn, deux bibliothèques Python pour l'analyse de données. Il décrit les principales structures de données de Pandas comme les séries et les DataFrames, et comment charger des données à partir de fichiers. Le document présente également des commandes de base de Pandas et introduit la bibliothèque Seaborn pour la visualisation de données.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    66 vues11 pages

    4 Pandas Seaborn

    Transféré par

    Azeddine El-mamouni
    Le document présente Pandas et Seaborn, deux bibliothèques Python pour l'analyse de données. Il décrit les principales structures de données de Pandas comme les séries et les DataFrames, et comment charger des données à partir de fichiers. Le document présente également des commandes de base de Pandas et introduit la bibliothèque Seaborn pour la visualisation de données.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    sur 11

    Pandas & Seaborn

    Dr. : Wassima AIT FARES


    e-mail : aitfares.w@gmail.com
    Année : 2022/2023

    Ecole Supérieure de Management, de Télécommunications et d’Informatique

    Introduction
    Les deux principaux composants de pandas sont : la série et le
    DataFrame.
    • La série est essentiellement une colonne
    • DataFrame est une table multidimensionnelle composée d'une
    collection de séries.
    • DataFrames et séries sont assez similaires dans la mesure où de
    nombreuses opérations que vous pouvez effectuer avec l'une
    peuvent être effectuées avec l'autre, telles que le remplissage de
    valeurs nulles et le calcul de la moyenne.
    • Une DataFrame est une structure de données bidimensionnelle,
    c'est-à-dire que les données sont alignées de manière tabulaire en
    lignes et en colonnes.
    Dr. Wassima AIT FARES 2
    Table de données

    Dr. Wassima AIT FARES 3

    Structure de données en Pandas


    Data Dimensions Description
    Structure
    Series 1 1D labeled homogeneous array with immutable size
    General 2D labeled, size mutable tabular structure
    Data Frames 2
    with potentially heterogeneously typed columns.
    Panel 3 General 3D labeled, size mutable array.

    • Série est une structure de type tableau 1D avec des données


    homogènes.
    • DataFrame est un tableau 2D avec des données hétérogènes.
    • Panel est une structure de données 3D Array avec des données
    hétérogènes. Un Panel peut être illustré comme un conteneur
    de DataFrame.
    Dr. Wassima AIT FARES 4
    Structure de données en Pandas

    columns

    rows

    Dr. Wassima AIT FARES 5

    Charger les données


    Mise en place de l’environnement de travail

    import numpy as np
    import matplotlib.pyplot as plt
    import pandas as pd

    pd.read_csv(nom_du_fichier.csv)

    pd.read_excel(nom_du_fichier.xls)

    pd.read_json(nom_du_fichier.json)

    pd.read_html()

    pd.read.sql()

    Dr. Wassima AIT FARES 6


    Lire depuis un CSV file

    Dr. Wassima AIT FARES 7

    Lire depuis un CSV file


    • Avec les fichiers CSV, vous n'avez besoin que d'une seule ligne pour
    charger les données :
    df = pd.read_csv('dataset.csv')

    • Les CSV n'ont pas d'index comme les DataFrames, donc tout ce que nous
    avons à faire est de désigner le index_col lors de la lecture :

    df = pd.read_csv('dataset.csv', index_col=0)

    Permet de définir les colonnes à utiliser comme


    index de la DataFrame.

    La valeur par défaut est None, et pandas


    ajoutera une nouvelle colonne commençant à 0
    pour spécifier la colonne d'index.

    Dr. Wassima AIT FARES 8


    Lire depuis un JSON file
    • Si vous avez un fichier JSON qui est essentiellement un dictionnaire Python
    stocké, pandas peut le lire tout aussi facilement :

    df = pd.read_json('dataset.json')

    Dr. Wassima AIT FARES 9

    Lire depuis un JSON file

    Dr. Wassima AIT FARES 10


    Quelques commandes de base

    data.shape Indique la taille du Dataframe (comme dans numpy)

    data.columns Donne les différentes colonne du Dataframe

    Affiche les premières ligne du DataFrame


    data.head()

    data.describe() Affiche les statistiques de base du DataFrame


    (Moyenne écart type, min, max….)

    Dr. Wassima AIT FARES 11

    Quelques commandes de base

    Supprimer des colonnes


    data.drop([‘colonne’,’colonne’, …])

    data.dropna(axis=0) Supprimer les lignes qui contiennent des


    valeurs manquantes

    data.[‘colonne’].value_counts() Compter les répétitions

    data.groupby([‘colonne’]) Analyse par groupe

    Dr. Wassima AIT FARES 12


    Quelques commandes de base
    Panda utilise Matplotlib.pyplot :

    df.plot()
    df.plot.bar()
    df.hist(bins=…)
    df.scatter(x=…,y=…)

    Dr. Wassima AIT FARES 13

    Quelques commandes de base


    df.groupby() Fonction qui permet d’analyser les
    données par groupe

    Exemple :
    Déterminer le nombre des féminins et des masculins

    data.groupby([‘Sex’]).count()

    data.groupby([‘Sex']).mean()

    Dr. Wassima AIT FARES 14


    Quelques commandes de base
    La fonction map permet d’appliquer une fonction sur chaque
    élément d’une colonne:

    Data[‘column’].map(fonction)

    On commence d’abord par définir notre


    fonction « conso »

    Ensuite il suffit d’appliquer la fonction sur la


    colonne à l’aide de map

    data[‘Age’]=data[‘Age'].map(conso)

    Dr. Wassima AIT FARES 15

    Seaborn
    Seaborn offre la possibilité d’effectuer une visualisation poussée des
    données avec une seul ligne de codes

    import numpy as np
    Mise en place de import matplotlib.pyplot as plt
    l’environnement de travail import pandas as pd
    import seaborn as sns

    Les fonctions Seaborn ont presque toutes la même structure :

    sns.fonction(x,y,data,hue,style, height)

    Données à Option de
    afficher ségmentation

    Dr. Wassima AIT FARES 16


    Seaborn : Multi-plot grids (pairplot)
    pairplot permet de tracer les relations par paires dans un dataset.
    iris = sns.load_dataset('iris')
    sns.pairplot(iris, hue='species', height=2.5)

    les couleurs générées par hue

    Dr. Wassima AIT FARES 17

    Seaborn : Distribution plots (displot)


    displot permet de tracer la distribution d’une variables

    sns.distplot(iris['petal_length'])

    Dr. Wassima AIT FARES 18


    Seaborn : Multi-plot grids (joinplot)
    joinplot permet de tracer graphique de deux variables.

    sns.jointplot("petal_length", "petal_width", iris, kind='reg')

    Dr. Wassima AIT FARES 19

    Seaborn : Categorical plots (catplot)


    Permet de tracer deux variables en fonction de leur catégories (nuage de
    point)
    titanic = sns.load_dataset('titanic')
    sns.catplot(x='survived', y='age', data=titanic, hue='sex')

    Dr. Wassima AIT FARES 20


    Seaborn : Matrix plots(heatmap))

    Les heatmap donne la corrélation entre les données d’un dataset

    sns.heatmap(iris.corr())

    Dr. Wassima AIT FARES 21

    Vous aimerez peut-être aussi