L’écosystème scientifique de Python (NumPy, Pandas, SciPy, Matplotlib) est devenu incontournable pour l’analyse de données dans l’industrie et la recherche. Cette formation vous apprend à manipuler des jeux de données, réaliser des calculs complexes et produire des visualisations exploitables dans un environnement Jupyter. Elle s’adresse aux ingénieurs, scientifiques et analystes qui veulent exploiter Python pour leurs traitements de données.

Public visé

Ingénieurs, développeurs, scientifiques, enseignants ou toute personne souhaitant se former sur les calculs scientifiques avec Python.

Prérequis

Avoir suivi cette formation, ou en maîtriser les thèmes abordés :

Python - Initiation

Objectifs pédagogiques

À l’issue de cette formation, vous serez capable de :

Créer et paramétrer votre environnement de travail Python scientifique
Reconnaître l’écosystème scientifique de Python
Analyser vos données avec NumPy, Pandas et SciPy
Visualiser vos données avec Matplotlib et Pandas

Programme

Introduction

situer l’écosystème scientifique Python — NumPy, Pandas, SciPy, Matplotlib
préparer un environnement de travail Jupyter

NumPy

comprendre l’intérêt de NumPy pour le calcul vectorisé
- remplacement des listes Python natives
- organisation mémoire contiguë et performance
- interopérabilité avec l’écosystème scientifique
créer et manipuler des tableaux
- constructeurs — np.array, zeros, arange, linspace
- indexation et slicing
- reshape et transposition
exploiter le broadcasting et les fonctions universelles
filtrer et agréger des données
- masques booléens
- fonctions de réduction — sum, mean, std
- extraction d’informations significatives
persister les tableaux — chargement / sauvegarde np.load, np.save, formats .npy / .npz
structurer des données hétérogènes avec les tableaux structurés

Pandas

modéliser des données avec les structures Pandas
- Series pour les séquences indexées
- DataFrame pour les tableaux 2D
- index, labels et types
importer et exporter des données — CSV, Excel, JSON, Parquet
sélectionner et indexer
- accès par label via loc
- accès par position via iloc
- filtrage conditionnel
traiter les données manquantes et réaliser les opérations simples
pousser le traitement des données
- agrégations avec groupby
- pivot et reshape
- jointures — merge, join, concat
manipuler des MultiIndex
travailler sur les chaînes de caractères et les expressions régulières
traiter des données temporelles — DatetimeIndex, resampling, offsets
choisir une stratégie pour les données massives — chunking, Dask, PyArrow

Matplotlib et Pandas plot

Matplotlib

choisir entre les interfaces
- interface MATLAB — plt.plot, plt.xlabel
- interface orientée objet — fig, ax = plt.subplots()
créer des graphiques 2D
- graphique linéaire
- nuage de points
- histogramme
composer plusieurs graphiques sur une figure
explorer la 3D avec Axes3D
interagir avec les graphiques dans un notebook Jupyter
personnaliser graduations et axes

Pandas plot

produire des graphiques directement depuis un DataFrame ou une Series

SciPy

réaliser des calculs scientifiques avancés
- intégration numérique — scipy.integrate
- algèbre linéaire — scipy.linalg
- transformée de Fourier — scipy.fft
- interpolation — scipy.interpolate
- ajustement de courbe — scipy.optimize.curve_fit

Modalités pédagogiques

Formation en présentiel ou distanciel. Alternance entre méthodes démonstrative, interrogative et active avec travaux pratiques.

Modalités d’évaluation des acquis

Par exercices pratiques de programmation en cohérence avec les objectifs du programme.

Voir aussi

Vous serez peut-être intéressés par les formations suivantes :

Formation DEV-PYTHON-300 — Python - Calculs Scientifiques. Domaine : Développement. Niveau : Avancé. Durée : 3 jours (21 heures). Mots-clés : python, développement, avancé, data-science, numpy, pandas, scipy, matplotlib. Cylian Formation, Dijon.