Ce module approfondit la bibliothèque NumPy, en se concentrant sur ses puissantes caractéristiques et fonctionnalités. Il couvre les fonctions universelles (ufuncs) qui permettent des opérations élément par élément sur ndarray, permettant un calcul efficace à travers de grands ensembles de données. Le module explore également diverses méthodes statistiques disponibles dans NumPy, des opérations d'algèbre linéaire pour résoudre des problèmes mathématiques, la génération de nombres aléatoires pour les simulations et la modélisation, et des techniques de masquage pour filtrer les données. À la fin de ce module, les apprenants seront dotés des compétences nécessaires pour exploiter les capacités de NumPy dans le cadre d'analyses numériques avancées.

Ce module présente la structure de données Series dans Pandas, qui est un tableau unidimensionnel étiqueté capable de contenir n'importe quel type de données. Il commence par définir ce qu'est une Series et son importance dans l'analyse des données. Le module couvre différentes méthodes pour créer une série, y compris l'utilisation de listes, de dictionnaires et de tableaux NumPy. Les apprenants exploreront également comment accéder et manipuler les éléments au sein d'une Série, ainsi qu'effectuer des opérations mathématiques sur les données d'une Série. À la fin de ce module, les étudiants comprendront comment utiliser les séries pour une manipulation et une analyse efficaces des données.

Ce module présente la structure de données DataFrame dans Pandas, qui est une structure de données étiquetée en deux dimensions pouvant contenir des types de données hétérogènes. Le module commence par définir ce qu'est un DataFrame et son importance dans l'analyse et la manipulation des données. Les apprenants exploreront diverses méthodes pour créer des DataFrames à partir de sources telles que des dictionnaires, des listes et des fichiers externes (par exemple, CSV). Le module explique comment accéder aux données d'un DataFrame à l'aide d'étiquettes et d'indices, comment manipuler les lignes et les colonnes et comment effectuer des opérations telles que la fusion et la concaténation de plusieurs DataFrames. À la fin de ce module, les étudiants seront capables d'utiliser les DataFrames pour des tâches de manipulation de données.

Ce module propose une exploration approfondie de la bibliothèque Pandas, essentielle pour la manipulation et l'analyse des données en Python. Il commence par un aperçu de ce qu'est Pandas et de son importance dans la science des données. Le module met en évidence les fonctionnalités utiles au sein de Pandas, notamment le chargement, le nettoyage et la préparation des données. Les apprenants examineront comment générer des statistiques descriptives pour les colonnes numériques et catégorielles, utiliser la méthode groupby() pour l'agrégation des données, et gérer efficacement les valeurs manquantes et dupliquées. A la fin de ce module, les étudiants auront une solide compréhension de la manière d'exploiter Pandas pour une analyse complète des données.