🐍 Python — De zéro à Data Science

Hello World

Affiche 'Hello, World!' avec print()

Variables texte

Crée une variable `nom` contenant 'Alice' et affiche 'Bonjour, Alice!'

Variables numériques

Crée `age = 25` et `ville = 'Paris'`, puis affiche : J'ai 25 ans et j'habite à Paris

Opérations mathématiques

Calcule et affiche : 17 + 3, 50 - 8, 6 * 7, 100 / 4

Variables et formatage

Cree une variable prenom avec la valeur "Alice" puis affiche "Bienvenue, Alice!" avec print().

Condition if/else

Si age >= 18 affiche 'Majeur', sinon 'Mineur'

Elif

Note: A(>=16), B(>=12), C(>=8), D(<8)

Boucle for

Affiche les chiffres de 1 à 5

Boucle while

Compte de 0 à 4 avec while

Listes

Crée la liste `fruits = ['pomme', 'banane', 'cerise', 'datte', 'kiwi']` et affiche chacun avec une boucle

Index de liste

Accède au 1er et dernier élément d'une liste

Méthodes de liste

Ajoute 'mangue' à la liste, puis supprime 'banane'

Dictionnaires

Crée un dictionnaire `personne = {'nom': 'Alice', 'age': 28, 'ville': 'Lyon'}` et affiche le nom puis l'age

Parcourir un dict

Affiche chaque clé et valeur du dictionnaire

Fonctions basiques

Crée une fonction `saluer(nom)` qui retourne 'Bonjour, [nom]!' puis appelle-la avec 'Marie'

Fonctions avec calcul

Fonction `aire_rectangle(l, h)` qui retourne l * h

Valeurs par défaut

Fonction `puissance(n, exp=2)` qui retourne n^exp

Strings - méthodes

Avec la phrase 'La data est partout', affiche-la en majuscules, en minuscules, et compte les 'a'

Split et join

Découpe 'python,sql,data' par virgule et reconstitue avec ' - '

List comprehension

Crée la liste des carrés de 1 à 10 en une ligne avec une list comprehension, puis affiche-la

Filtrer avec comprehension

Liste des nombres pairs de 0 à 20 avec comprehension

Lambda

Créez une fonction lambda qui multiplie par 3

Map et filter

Appliquer triple à [1,2,3,4,5], puis garder seulement > 10

Tuples

Crée le tuple `coords = (48.8566, 2.3522)` (coordonnées de Paris), déballe-le dans `lat` et `lon`, et affiche-les

Sets

Crée les sets `groupe_a = {'Alice', 'Bob', 'Charlie', 'Diana'}` et `groupe_b = {'Bob', 'Diana', 'Eve', 'Frank'}`, puis affiche les éléments communs Affiche le resultat trie avec sorted().

Gestion d'erreurs try/except

Divise 10 par 0 en gerant l erreur avec try/except. Affiche le resultat ou "Impossible de diviser par zero!"

Lecture de fichier

Ecris 4 prenoms (Alice, Bob, Charlie, Diana) dans /tmp/data.txt, puis relis le fichier et affiche son contenu et le nombre de lignes.

Écriture de fichier

Écris la liste `noms = ['Alice', 'Bob', 'Charlie']` dans un fichier 'noms.txt', un nom par ligne

JSON

Parse la chaîne JSON `'{"nom": "Alice", "age": 28, "skills": ["Python", "SQL"]}'` et affiche le nom et les skills

Classes - bases

Crée une classe `Etudiant` avec `nom` et `note`. Ajoute une méthode `mention()` : 'TB' si note>=16, 'B' si >=14, 'AB' si >=12, sinon 'Passable'. Teste avec Etudiant('Alice', 16) et Etudiant('Bob', 11)

Numpy - array

Créez un array numpy de 1 à 10, calculez sa moyenne

Numpy - opérations

Multipliez chaque élément par 2, filtrez ceux > 10

Pandas - DataFrame

Créez un DataFrame de 3 étudiants (nom, note, ville)

Pandas - filtres

Sélectionnez les étudiants avec note > 12

Pandas - groupby

Calculez la note moyenne par ville

Pandas - nettoyage

Remplacez les NaN par la moyenne de la colonne

Matplotlib - courbe

Tracez la courbe y = x² pour x de -10 à 10

Matplotlib - histogramme

Générez 1000 données normales et tracez l'histogramme

Statistiques descriptives

Calculez mean, median, std, min, max d'une série de données

Corrélation

Calculez la corrélation entre heures d'étude et notes

Récursivité - factorielle

Calculez n! avec une fonction récursive

Récursivité - Fibonacci

Suite de Fibonacci jusqu'à n termes

Tri - bubble sort

Implémentez le tri à bulles

Recherche binaire

Implémentez la recherche binaire dans une liste triée

Décorateurs

Cree un decorateur @timer qui mesure le temps d'execution d'une fonction (sans l'afficher). Teste avec une fonction qui calcule sum(range(1000000)) et affiche le resultat.

Générateurs

Créez un générateur de nombres pairs infinis

Pandas - pivot table

Crée un DataFrame de ventes (colonnes: region, produit, montant) et génère une table pivot avec les régions en index et les produits en colonnes

Regex

Extrais tous les emails du texte `"Contact alice@beauvoir.co ou bob@data.fr pour plus d'info"` avec un regex

API REST

Utilise urllib.request pour recuperer https://jsonplaceholder.typicode.com/users/1 et affiche le nom et l'email de l'utilisateur.

Machine Learning basique

Entraînez une régression linéaire sur des données simples

NumPy — Créer des arrays

Crée un array NumPy et explore ses propriétés (shape, dtype, ndim)

NumPy — Opérations

Effectue des opérations arithmétiques element-wise sur des arrays

NumPy — Broadcasting

Comprends le broadcasting : opérations entre arrays de tailles différentes

NumPy — Statistiques

Calcule des statistiques descriptives avec NumPy

NumPy — Reshape & Slicing

Redimensionne et découpe des arrays avec reshape et slicing

NumPy — Algèbre linéaire

Utilise np.linalg pour le produit matriciel, le déterminant et l'inverse

NumPy — Random

Génère des nombres aléatoires et des échantillons avec np.random

NumPy — Indexation avancée

Utilise le fancy indexing et l'indexation booléenne

NumPy — Masks booléens

Filtre et remplace des valeurs avec des conditions booléennes

NumPy — Vectorisation

Remplace les boucles par des opérations vectorisées

Pandas — Series

Crée et manipule des Series Pandas

Pandas — DataFrame

Crée un DataFrame avec les colonnes 'nom, age, ville et salaire' (['Paris','Lyon','Paris','Marseille']). Affiche le DataFrame puis sa forme (shape)

Pandas — Sélection

Sélectionne des lignes et colonnes avec loc et iloc

Pandas — Info & Describe

Explore un DataFrame avec info(), describe(), value_counts()

Pandas — Nettoyage

Crée un DataFrame avec des valeurs manquantes (NaN) et des doublons. Utilise dropna(), fillna() et drop_duplicates() pour nettoyer

Pandas — Filtrage avancé

Filtre un DataFrame avec des conditions complexes

Pandas — Tri & Ranking

Trie un DataFrame et crée des classements

Pandas — GroupBy

Agrège des données avec groupby()

Pandas — Merge

Fusionne deux DataFrames avec merge()

Pandas — Pivot Table

Crée des tableaux croisés dynamiques

Matplotlib — Line Plot

Crée un graphique en ligne avec matplotlib

Matplotlib — Bar Chart

Crée un diagramme en barres

Matplotlib — Scatter Plot

Crée un nuage de points pour visualiser la corrélation

Matplotlib — Histogramme

Visualise la distribution de données avec un histogramme

Matplotlib — Subplots

Crée plusieurs graphiques dans une seule figure

Stats — Descriptives Python

Calcule les stats descriptives (moyenne, médiane, écart-type, quartiles) d'une série de données avec scipy et numpy

Stats — Distributions

Travaille avec des distributions de probabilité

Stats — Test d'hypothèse

Réalise un t-test et interprète la p-value

Stats — Corrélation

Calcule et visualise la corrélation entre variables

Stats — Intervalle de confiance

Calcule un intervalle de confiance pour une moyenne

ML — Train/Test Split

Divise un dataset en ensembles d'entraînement et de test

ML — Régression Linéaire

Entraîne un modèle de régression linéaire avec scikit-learn

ML — Classification

Entraîne un classifieur logistique

ML — Métriques

Évalue un modèle avec précision, rappel, F1-score

ML — Cross Validation

Évalue un modèle avec la validation croisée

ML — KNN

Implémente le K-Nearest Neighbors

ML — Decision Tree

Entraîne un arbre de décision et analyse son importance

ML — Random Forest

Compare Random Forest vs Decision Tree

ML — Clustering KMeans

Segmente des données avec K-Means

ML — Pipeline

Crée un pipeline complet avec preprocessing et modèle

Regex en Python

Utilise les regex pour extraire les emails du texte `'Contact: alice@email.com ou bob.martin@company.fr'` puis valide un format de numéro de téléphone

JSON en Python

Crée un dictionnaire de 2 utilisateurs (Alice, 25 ans, scores [85,90,78] et Bob, 30 ans, scores [92,88,95]), sérialise en JSON et désérialise

Gestion d'erreurs

Gère les exceptions avec try/except/finally

Fichiers CSV

Crée un fichier CSV avec les données [['Alice',25,'Paris'],['Bob',30,'Lyon'],['Charlie',35,'Paris']], lis-le avec csv.reader et avec pandas

Decorateurs

Cree un decorateur @timer qui mesure le temps d'execution. Teste avec une fonction qui calcule la somme des carres de 0 a 99999 et affiche le resultat.

Projet — Nettoyage de données

Pipeline complet de nettoyage de données

Projet — EDA

Analyse exploratoire de données complète

Projet — Feature Engineering

Crée de nouvelles features pour améliorer un modèle

Projet — Évaluation de modèle

Compare LogisticRegression, DecisionTreeClassifier, RandomForestClassifier et KNeighborsClassifier sur le dataset Iris. Affiche l'accuracy de chaque modele.

Projet — ML Pipeline complet

De la donnée brute à la prédiction : pipeline ML end-to-end