🐍 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

Une API REST renvoie ses données au format JSON. Parse la chaîne JSON fournie (variable reponse) avec json.loads, puis affiche le name de l'utilisateur, puis son email (chacun sur une ligne).

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 (nom, age, ville) pour Alice, Bob et Charlie, écris-le avec csv.writer, relis-le avec csv.DictReader, puis relis-le aussi 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