1. Accueil
  2. Catalogue
  3. Technologies du numérique et Système d'Information
  4. Bases de données - Big Data - Blockchain
Nouveau
Possible en Intra-entreprise

Analyse de données avec Python

Code Formation: 7007

| Ajouter aux favoris
L’exploitation des données constitue aujourd’hui un enjeu majeur pour de nombreux métiers, de l’analyse décisionnelle à la Data Science. Python et ses principales bibliothèques offrent un environnement complet pour préparer, explorer, analyser et visualiser des données. Cette formation permet de consolider les bases de Python appliquées à l’analyse de données et de développer une démarche structurée, de l’importation des données jusqu’à leur interprétation.
Image
Une formation orientée vers la pratique : 60 % du temps est consacré à des travaux pratiques, permettant aux apprenants de mettre immédiatement en œuvre les notions abordées.

Objectifs pédagogiques

  • Préparer et nettoyer des jeux de données avec NumPy et Pandas
  • Explorer et analyser des données à l'aide de méthodes statistiques et d'outils d'analyse exploratoire
  • Visualiser et interpréter les résultats afin d'identifier des tendances, corrélations et informations pertinentes.

Public

  • Analystes de données, data analysts et data scientists souhaitant renforcer leurs compétences en analyse de données avec Python.

  • Ingénieurs et professionnels métiers amenés à exploiter, analyser et visualiser des données dans leur activité

  • Développeurs Python souhaitant appliquer leurs compétences au traitement et à l'analyse de données

Prérequis

  • Connaissances de base en Python : variables, fonctions, listes et dictionnaires
  • Notions de manipulation de données et d'Excel

PARTIE 1 - Rappels essentiels et préparation de l'environnement

  • Mise en place de l'environnement de travail

    • Installation et configuration : Anaconda, Miniconda, uv / Jupyter Notebook, JupyterLab
    • VS Code (optionnel)
    • Gestion des environnements virtuels
    • Introduction à pip et conda

  • Rappels Python pour la data

    • Types de données utiles : listes, dictionnaires, tuples
    • Fonctions et compréhension de listes
    • Modules essentiels : math, datetime, os
  • Introduction aux bibliothèques data
    • NumPy : tableaux et calcul vectorisé
    • Pandas : Series et DataFrame
    • Notions clés : Indexation, Sélection, Types de données

TRAVAUX PRATIQUES – Prise en main de l'environnement Python

  • Création et gestion d'un environnement Python
  • Manipulation de tableaux avec NumPy
  • Création et manipulation de DataFrames avec Pandas

PARTIE 2 - Nettoyage et préparation des données

  • Importation de données

    • CSV, Excel, JSON
    • Lecture de fichiers avec Pandas
    • Gestion des encodages

  • Exploration des données (EDA basique)

    • .head(), .info(), .describe()
    • Détection des valeurs manquantes
    • Analyse des distributions

  • Nettoyage des données

    • Traitement des valeurs manquantes : suppression, imputation (moyenne, médiane, mode)
    • Gestion des doublons
    • Correction des types de données

  • Transformation des données

    • Création de nouvelles colonnes
    • Application de fonctions (apply, lambda)
    • Encodage de variables catégorielles

TRAVAUX PRATIQUES – Nettoyer et préparer un jeu de données

  • Importation d'un jeu de données
  • Exploration et identification des anomalies
  • Traitement des valeurs manquantes et des doublons
  • Correction des types et transformation des données

PARTIE 3 - Analyse exploratoire et visualisation des données

  • Analyse exploratoire (EDA avancée)
    • Analyse univariée et bivariée
    • GroupBy et agrégations
    • Tableaux croisés dynamiques (pivot tables)
  • Visualisation des données
    • Matplotlib : histogrammes, courbes, scatter plots
    • Seaborn : boxplots, heatmaps, pairplots

  • Analyse des tendances

    • Corrélations entre variables

    • Détection de patterns

    • Analyse temporelle (time series basique)

TRAVAUX PRATIQUES – Explorer et visualiser les données

  • Réalisation d'une analyse exploratoire
  • Production de graphiques avec Matplotlib et Seaborn
  • Analyse des corrélations et des tendances
  • Interprétation des résultats obtenus

PARTIE 4 - Analyse avancée et mini-projet

  • Statistiques appliquées à la data
    • Moyenne, variance, écart-type
    • Corrélation vs causalité
    • Introduction aux tests statistiques simples
  • Introduction au machine learning
    • égression linéaire
      Classification simple (KNN, Logistic Regression)
      Utilisation de scikit-learn
  • Construction d'un pipeline d'analyse
    • Structuration d'un projet data
    • Nettoyage → analyse → visualisation → interprétation
    • Reproductibilité (notebooks propres)

TRAVAUX PRATIQUES – Mini-projet d'analyse de données

  • Mise en œuvre d'un pipeline complet d'analyse
  • Nettoyage et préparation des données
  • Analyse statistique et exploration des données
  • Visualisation et interprétation des résultats
  • Introduction à un modèle simple de machine learning
  • Structuration et documentation du notebook final
Alternance d'exposés, illustrations, études de cas, travaux pratiques et échanges avec des experts du domaine Un support de cours sera remis à chacun des participants
Evaluation des acquis de formation
Evaluation des acquis des apprenants réalisée en fin de formation, par un questionnaire contextualisé.
Taux de réussite

94.3% des apprenants ont acquis la compétence principale visée

Résultat obtenu pour 177 participants évalués ayant suivi une formation dans la thématique sur les 5 dernières années

Évaluation de la satisfaction

Evaluation du ressenti des participants en fin de formation (Niveau 1 KIRKPATRICK)

Résultats de l’évaluation

Le niveau de satisfaction globale est évalué à 4.3/5 par les participants.

Evaluations réalisées auprès des 199 participants ayant suivi une formation dans la thématique sur les 5 dernières années

Actualisée le 04-09-2026