Description du cours
Le cours se concentrera sur l'utilisation de la bibliothèque Python Matplotlib pour visualiser les données. Le codage Python sera effectué à l'aide de blocs-notes Python (fichiers .ipynb) dans l'outil JupyterLab, où vous apprendrez à dessiner des graphiques linéaires, des histogrammes, des cartes thermiques et des diagrammes en boîte à l'aide de Matplotlib. Nous vous montrerons comment utiliser la bibliothèque HVPlot pour ajouter des widgets interactifs aux tracés afin d'obtenir des informations plus approfondies sur les données visualisées.
Vous utiliserez également la bibliothèque Python Numpy pour enregistrer des valeurs dans des tableaux et générer des données numériques aléatoires pour des exemples de visualisation. Vous verrez comment la bibliothèque Pandas peut être utilisée pour stocker des données dans un DataFrame, gérer des données de séries chronologiques, effectuer des calculs mathématiques et tracer les données calculées. Ensuite, vous apprendrez comment la bibliothèque Seaborn peut ajouter des entités à une carte thermique, tandis que la bibliothèque Scipy génère une ligne KDE à tracer au-dessus d'un histogramme. Enfin, nous vous montrerons comment styliser les visualisations en ajoutant des couleurs, des étiquettes et des grilles.
Ce que vous allez apprendre
- Créer des graphiques en courbes (line graphs), des histogrammes, des cartes thermiques (heatmaps) et des boîtes à moustaches (box plots) en utilisant la bibliothèque Python Matplotlib
- Importer, générer et manipuler des données avec NumPy et Pandas pour la visualisation
- Construire des tracés (plots) et des widgets interactifs à l'aide de la bibliothèque HVPlot
- Styliser les visualisations en ajoutant des couleurs, des étiquettes et des grilles
- Utiliser la bibliothèque Seaborn pour améliorer les cartes thermiques et la bibliothèque SciPy pour générer une ligne KDE (Kernel Density Estimate) au-dessus d'un histogramme
- Tracer des séries chronologiques (time series) et des données temporelles calculées stockées dans un DataFrame Pandas
Points clés à retenir
- Le cours utilise la bibliothèque Python Matplotlib pour visualiser des données sous forme de graphiques en courbes, d'histogrammes, de cartes thermiques et de boîtes à moustaches.
- Le codage Python est effectué dans des notebooks Python (fichiers .ipynb) en utilisant l'outil JupyterLab.
- La bibliothèque HVPlot est utilisée pour ajouter des widgets interactifs aux graphiques pour une analyse plus approfondie des données.
- La bibliothèque NumPy stocke des valeurs dans des tableaux (arrays) et génère des données de nombres aléatoires, tandis que la bibliothèque Pandas stocke des données dans un DataFrame, gère les données de séries temporelles et effectue des calculs.
- La bibliothèque Seaborn ajoute des fonctionnalités à une carte thermique et la bibliothèque SciPy génère une ligne KDE à tracer au-dessus d'un histogramme.
Foire aux questions
Quelles bibliothèques Python ce cours couvre-t-il ?
Le cours couvre Matplotlib pour la visualisation des données, HVPlot pour les widgets interactifs, NumPy pour les tableaux et les données aléatoires, Pandas pour le stockage des données dans un DataFrame et la gestion des séries temporelles, Seaborn pour l'ajout de fonctionnalités aux cartes thermiques, et SciPy pour générer une ligne KDE au-dessus d'un histogramme.
Quels outils utiliserai-je pour écrire le code ?
Le codage en Python est réalisé à l'aide de notebooks Python (fichiers .ipynb) dans l'outil JupyterLab.
Quels types de visualisations vais-je apprendre à créer ?
Vous apprendrez à dessiner des graphiques en courbes, des histogrammes, des cartes thermiques et des boîtes à moustaches, y compris des tracés de lignes interactifs et des cartes thermiques interactives à l'aide de HVPlot.
Comment le cours aborde-t-il les visualisations interactives ?
Il montre comment utiliser la bibliothèque HVPlot pour ajouter des widgets interactifs aux graphiques, y compris des widgets de barre d'outils et un widget de filtre, afin d'obtenir des informations plus approfondies sur les données visualisées.
Le cours couvre-t-il le travail avec des données temporelles ?
Oui. Il couvre le tracé de données temporelles avec un graphique linéaire, le tracé de données temporelles calculées et la création d'une boîte à moustaches pour décrire des données temporelles, en utilisant Pandas pour gérer les données de séries chronologiques.
