Manipuler, analyser et visualiser des données grâce aux modules Python de Data Science

Cette certification s'adresse aux professionnels de la donnée (statisticiens, actuaires, data analysts et data scientists) et aux scientifiques voulant attester leurs compétences en manipulation, analyse et visualisation des données avec les modules Python de Data Science.

• Installer dans un environnement virtuel des modules et paquets scientifiques pour manipuler des données
• Utiliser un environnement de développement scientifique afin de bénéficier d’une solution intégrée et ainsi être plus rapide et performant
• Utiliser des outils collaboratifs afin de travailler à plusieurs data scientists sur les mêmes données
• Trouver de nouvelles librairies et juger de leur pertinence en vue de répondre à un besoin particulier
• Charger différents formats de données dans un tableau de données indexées ou non en vue de leur appliquer des traitements
• Appliquer des fonctions et méthodes sur un tableau de données afin de le nettoyer et de le préparer à un futur traitement
• Concevoir des masques pour extraire des données
• Filtrer des données selon des plages temporelles afin d’extraire les données correspondantes à un moment précis
• Filtrer des données à l’aide d’expressions rationnelles (regex) afin d’extraire les données correspondantes à un motif précis
• Changer la fréquence d’échantillonnage de données afin de les ramener sur une échelle adaptée au besoin
• Maîtriser les tableaux à n-dimensions (ndarray) et les types de données (entier, réel, chaîne de caractères, date et heure) afin de minimiser l’utilisation de la mémoire
• Maîtriser les tableaux à données indexées à une dimension (Serie) et à deux dimensions (DataFrame) afin d’accéder aux fonctionnalités offertes par le module scientifique
• Maîtriser l’indexation implicite (indiçage par position numérique) afin d’extraire des données et/ou de leur appliquer un traitement
• Maîtriser l’indexation explicite (indiçage par clé alphanumérique) afin de manipuler plus facilement des données temporelles ou utilisant un identifiant alphanumérique
• Faire pivoter des données pour obtenir un tableau croisé dynamique
• Maîtriser les index multiples (multi-index) afin d’accéder plus facilement aux données et/ou de simuler des dimensions supplémentaires
• Empiler et fusionner des tableaux afin de regrouper des données
• Transposer des données (inversion ligne / colonne) pour en faciliter l’analyse, ou les préparer en vue de les empiler ou les fusionner
• Trier des données en fonction des indices ou des valeurs du tableau en vue de les exploiter par ordre alphabétique, par nombre croissant ou décroissant, par date
• Connaître et utiliser les opérations vectorisées pour gagner en performance
• Appliquer des fonctions et méthodes sur une colonne d’un tableau de données afin d’appliquer des traitements mathématiques (nombre, minimum, maximum, moyenne, médiane, centile, écart-type)
• Utiliser les fonctions universelles selon une dimension
• Regrouper des données en fonction de la valeur de certaines colonnes pour appliquer un calcul
• Calculer des moyennes glissantes (lissage des données) en vue de les visualiser
• Utiliser les règles de broadcasting pour effectuer des calculs
• Appliquer une fonction ou une fonction anonyme aux données pour réaliser des analyses spécifiques
• Choisir le bon module ou paquet de visualisation des données afin de répondre au besoin exprimé
• Afficher un graphique en 2 dimensions de type y = f(x) à partir d'un jeu de données simple
• Identifier le bon type de graphique (histogramme, graphique en colonne, diagramme circulaire, boîte à moustaches, carte thermique …) en fonction des données à visualiser afin de générer un graphique pertinent
• Connaître et utiliser les fonctions et méthodes des tableaux de données afin de générer très facilement des graphiques
• Générer des graphiques interactifs afin de permettre à l’utilisateur d’interagir avec le graphique (isolation de données, agrandissement d’une zone, mise en évidence)
• Concevoir des graphiques contenant plusieurs tracés afin de regrouper des données différentes, de montrer des corrélations ou des différences, ou de synthétiser une représentation des données
• Intégrer les recommandations d'amélioration de l’accessibilité (via l'ajout de titres, étiquettes, labels et légendes, l'amélioration de la lisibilité des textes, l'épaississement des lignes et des bordures, le choix de couleurs contrastées) afin de générer des graphiques accessibles à une personne en situation de handicap