Introduction à Python (stage).md

Introduction à Python.

Légende du cours

Ceci est un titre majeur

Ceci est un sous-titre

Ceci est un point important

📝 Ceci est un exemple single line

⚠️ Ceci est une mise en garde

💡 Ceci est un conseil

Ceci est un texte avec un lien vers un site ressource

Exemple

# Ceci est un exemple de code

Introduction

Qu’est-ce que le python ?

Le python est un langage de programmation très populaire créé au début des années 90.

Il est utilisé majoritairement pour :

• Le développement web (backend / côté serveur).
• La création d’applications.
• Les mathématiques (modélisation, statistiques, machine learning, etc.).

Qu’est-ce que le python peut faire ?

• Le python peut être utilisé sur un serveur pour créer des applications web.
• Il peut être utilisé pour connecter des bases de données, et peut être utilisé pour lire et modifier des fichiers.
• Le python est souvent utilisé pour traiter des grands jeux de données et appliquer des fonctions mathématiques complexes.
• Et enfin, il peut être utilisé pour faire du prototypage, et de la création d’application prêtes pour le déploiement.

Ce qu’il faut savoir :

• La version majeure la plus récente de python est Python 3 (py3) , celui qu’on va utiliser pendant ce cours d’introduction. Même si Python 2 (py2) est très populaire mais plus maintenu.

La syntaxe du python par rapport à d’autres langages de programmation

• Le python a été designé pour la lisibilité et partage de nombreuses similarités avec l’anglais, tout en étant influencé par les mathématiques.
• Le python utilise de nouvelles lignes pour compléter une commande, comparé à d’autres langages qui utilisent des point-virgule ; ou des parenthèses ( ).
• Le python utilise l’indentation et les espaces vides pour définir la portée, le cadre d’une fonction, d’une boucle ou d’une classe. La majorité des langages utilisent les accolades { } pour cela. Ainsi, au sein des boucles, on utilise l’indentation au lieu de begin et de end.

Pour bien commencer

La majorité des PC et des Mac auront Python de préinstallé.

• La dernière version est la 3.10 (3.11 en version bêta) mais généralement, on en est à 3.9.12 (surtout sur Mac).
• Pour vérifier si vous avez python d’installé sur votre PC ou Mac, lancez un terminal de commandes et tapez la commande suivante :

python --version
py --version
python3 -- version

Si la commande n’est pas trouvée, vous pouvez installer python sur leur site.

Logiciels & plateformes

Il existe un large éventail de logiciels permettant de coder en Python :

• Atom.
• PyCharm.
• Spyder.
• Visual Studio Code.

Il existe aussi des plateformes permettant de travailler à plusieurs comme Colab.

On est aussi souvent amené à travailler sur des fichiers en .ipynb. Ceux-ci offre la possibilité de mêler du Python à du Markdown (langage qui permet de mettre en forme : titres, sous-titres, liens, etc.). On peut les manipuler facilement avec Jupyter ou Google Colab. Nous verrons tout au long de ce cours que beaucoup de ressources et projets se trouvent sur des Notebooks Jupyter.

Vos premières lignes de code

Explications

Le python est un langage de programmation interprété, ce qui veut dire que en tant que développeur, vous écrivez des fichiers en python (.py) dans un éditeur de fichiers, puis vous utilisez l’interpréteur pour les exécuter.

Voici la démarche :

python miashsvie.py

Où miashsvie.py est le nom de votre fichier.

Exemple

Créons notre premier fichier, que nous allons appeler miashsvie.py. Cela peut être fait dans n’importe quel éditeur de texte (Ou des applications comme Atom, PyCharm, Spyder ou Visual Studio Code par exemple).

Dedans, écrivez :

print("Go les MIASHS")

Sauvegardez votre fichier, ouvrez votre terminal de commandes dans le dossier ou vous avez enregistré le fichier et exécutez :

python miashsvie.py

La sortie de cette commande devrait être :

Go les MIASHS

Félicitations ! Vous avez écrit et exécuté votre premier programme en Python !

Le terminal de commandes en Python

Pour tester une petite quantité de code en python, il est parfois préférable et plus rapide de l’exécuter dans le terminal en python.

Pour cela écrivez la commande suivante dans votre terminal de commandes :

python

(Oui oui, aussi simple que ça)

Depuis ici, vous pourrez écrire n’importe quoi en python, même l’exemple que nous avions fait plus tôt.

# C:\Users\Your Name>python
# Python 3.9.7 (tags/v3.9.7:1016ef3, Aug 30 2021, 20:19:38) [MSC v.1929 64 bit (AMD64)] on win32
# Type "help", "copyright", "credits" or "license" for more information.

>>> print("Go les MIASHS")
Go les MIASHS

Dès que vous avez terminé avec le console Python, vous pouvez écrire la commande suivante pour la quitter :

exit() # Il s'agit d'une fonction, ne pas oublier les parenthèses

Fonctionnalités

Librairies

Objectif

Elles fournissent des outils et fonctions avancées pour ce qu'on souhaite faire : ouvrir des fichiers avec des extensions particulières, visualiser des données, effectuer des tests statistiques et de performances, modéliser des données cérébrales, réaliser des cartes, etc.

Installation

Il suffit d’ouvrir le terminal (comme vu précédemment) et d’utiliser pip install (possible pour des versions Python ultérieures à 3.4) suivi du nom de la librairie.

pip install NomLibrairie

Si la commande pip n’est pas reconnue, vous pouvez faire :

py -m ensurepip—upgrade 

Si on souhaite une version particulière, on peut la stipuler avec pip.

pip install NomLibrairie==1.4 

Si on souhaite une version ultérieure à une version spécifique, on peut aussi le préciser.

pip install NomLibrairie>=1.4 

Pour mettre à jour une librairie (qui sont souvent mises à jour car Python est en pleine expansion).

pip install --upgrade NomLibrairie

Méthode

On utilise import avant de préciser le nom de la librairie (comme les packages sur R) qu’on souhaite utiliser, et as suivi de comment on veut les appeler dans le reste du programme (pour éviter d’avoir à réecrire un nom très long).

import NomLibrairie as NomRaccourci

Exemple

import numpy as np

On peut aussi importer une fonction spécifique d’une librairie en utilisant from.

Exemple

from numpy import asarray

On peut choisir de tout importer en utilisant *.

from nilearn import *

Les indispensables

Manipuler et traiter des grands tableaux de données.

import numpy as np

Manipuler et traiter des petits et moyens tableaux (vecteurs, matrices) de données.

import pandas as pd

Visualiser graphiquement des données.

import matplotlib.pyplot as plt

Visualiser graphiquement (complète matplotlib).

import seaborn as sns

Évaluer les performances de classification : si l'IA fait bien son travail, et comment.

from sklearn import metrics

Variables

Comme pour la plupart des langages, le Python permet de manipuler différents types de variables :

• Booléen (bool) : Vrai / Faux.
• Entier (int).
• Texte (str).
• Liste (list).
• Réel (float).

Contrairement à certains langages (#Pascal), le type de variable est précisé lorsqu’on attribue une valeur à la variable.

Ainsi, si on stocke le nombre 8 dans la variable dinosaure, elle sera du type **int**.

dinosaure = 8
print(type(dinosaure))
# Ce qui affiche
>> int

Mais si on stocke “vive la MIASHS” dans la variable dinosaure, elle sera du type **str**.

dinosaure = "vive la MIASHS"
print(type(dinosaure))
# Ce qui affiche
>> str

Opérateurs

Les opérateurs sont utilisés pour réaliser des opérations sur des variables et des valeurs.

En Python, les opérateurs sont séparés dans différents groupes :

• Opérateurs arithmétiques.
• Opérateurs d’assignement.
• Opérateurs de comparaison.
• Opérateurs logiques.
• Opérateurs d’identité.
• Opérateurs d’appartenance.
• Opérateurs de comparaison (Bitwise).

Opérateurs arithmétiques

Les opérateurs arithmétiques sont utilisés avec des valeurs numériques pour réaliser des opérations mathématiques courantes :

Opérateur	Nom	Exemple
+	Addition	x + y
-	Soustraction	x - y
*	Multiplication	x * y
/	Division	x / y
%	Modulo	x % y
**	Exponentielle	x ** y
//	Division Euclidienne	x // y

Opérateurs d’assignement

Les opérateurs d’assignement sont utilisés pour assigner des valeurs à des variables.

Opérateur	Exemple	Équivalence
=	x = 5	x = 5
+=	x += 5	x = x + 5
-=	x -= 5	x = x - 5
*=	x *= 5	x = x * 5
/=	x /= 5	x = x / 5
%=	x %= 5	x = x % 5
//=	x //= 5	x = x // 5
**=	x **= 5	x = x ** 5

Opérateurs de comparaison

Les opérateurs de comparaison sont utilisés pour comparer deux valeurs.

Opérateur	Nom	Exemple
==	Egal	x == y
	=	Non égal
>	Plus grand que	x > y
<	Plus petit que	x < y
>=	Plus grand ou égal	x >= y
<=	Plus petit ou égal	x <= y

Opérateurs logiques

Les opérateurs logiques sont utilisés pour combiner des instructions conditionnelles.

Opérateur	Description	Exemple
and	Retourne true si les deux instructions sont vraies	x < 5 and x < 10
or	Retourne true si l’une des deux instructions sont vraies	x < 5 or x < 4
not	Inverse le résultat, retourne false si le résultat est true	not(x < 5 and x < 10)

Opérateurs d’identité

Les opérateurs d’identité sont utilisés pour comparer des objets, non pas s’ils sont égaux, mais si ils sont actuellement le même objet avec le même emplacement mémoire.

Opérateur	Description	Exemple
is	Retourne true si les deux variables sont le même objet	x is y
is not	Retourne true si les deux objets ne sont pas le même objet	x is not y

Opérateurs d’appartenance

Les opérateurs d’appartenance sont utilisés pour tester si une séquence est présente dans un objet.

Opérateur	Description	Exemple
in	Retourne true si une séquence avec la valeur spécifiée est présente dans l’objet	x in y
not in	Retourne true si une séquence avec la valeur spécifiée n’est pas présente dans l’objet	x not in y

Opérateurs de comparaison (Bitwise)

Les opérateurs bitwise sont utilisés pour comparer des nombres binaires.

Opérateur	Nom	Description
& (et commercial)	AND	Définit chaque bit à 1 si les deux bits sont 1
	(pipe)	OR
^	XOR	Définit chaque bit à 1 si uniquement l’un des deux bits est 1
~ (tilde)	NOT	Inverse tout les bits

Structures

Listes

Créer une liste vide.

NomListe = list()

Compléter la liste.

NomListe.append(Item1) # Les items peuvent être des nombres, du texte, etc.
# Par exemple
NomListe.append ("dinosaure")
NomListe.append (34.6)

Créer et remplir une liste.

NomListe = ["dinosaure", "pancakes"] # Liste de mots
NomListe = [1, 2, 3] # Liste de chiffres
NomListe = [17, "pirouette", 3, "cacahouète"] # Liste mixte
NomListe = list(range(20))
NomListe = list(range(0, 10)) # Liste de chiffres de 0 à 9
NomListe = list(range(1, 10, 2)) # Liste de chiffres de 1 à 10 en allant de 2 en 2

Mesurer sa longueur.

LongueurListe = len(NomListe)

Accéder à un élément.

Element = NomListe[3] #4ème élément (l'index commence à 0)

Liste de listes.

MegaListe = [Liste1, Liste2, Liste3]

Accéder à un élément d’une liste de listes.

Element = MegaListe[2][0] #3ème liste, 1er élément (l'index commence à 0)

Ordonner les données.

NomListe.sort() # Ordonner les données d'une liste

Tableaux

Ils permettent de stocker, visualiser et manipuler les jeux de données facilement grâce à des DataFrame.

Import.

from pandas import DataFrame as df
import pandas as pd

Sélectionner des colonnes / lignes particulières.

Par indices (lignes, colonnes).

df.iloc[0,5] # 1ère ligne, 5ème colonne
df.iloc [0:5, 0:3] # 1ère à 5ème lignes et 1ère à 3ème colonnes
df.iloc[:, 0:3] # toutes les lignes et 1ère à 3ème colonnes
df.loc[:, 'NomColonne'] # toutes les lignes et colonne "NomColonne"

Par position.

df.head(5) # Afficher les 5 premières lignes
df.head(10) # Afficher les 10 premières lignes

Comprendre le contenu.

df.index # Noms des lignes
df.columns # Noms des colonnes
df.dtypes # Types de données du tableau
df.columns.__str__().lower() # Passer le contenu en minuscules
df.columns.__str__().upper() # Passer le contenu en majuscules
df.size # Quantité d'informations contenues dans le tableau
df.shape # Dimensions (Nombre de lignes et colonnes)

Modifier.

pd.factorize() # Obtenir une liste des modalités de la variable (similaire SELECT DISTINCT en SQL)
pd.to_numeric() # Convertir en nombre (similaire à inttostr() en Pascal)
df.astype(NomType) # Convertir en type de variable à préciser
df.copy() # Permet de dupliquer un tableau

Fonctions

---

Fonctions utiles

Importer un fichier .csv (comptatible avec Excel).

from pandas import read_csv
import pandas as pd

On précise :

• Le fichier souhaité (ou son chemin s’il se situe dans un répertoire différent).
• S'il possède des entêtes (ici, aucune).
• La colonne qui sert d'index, c'est-à-dire de référence, du style un numéro unique, comme les clés en BDD (ici, la première colonne, donc 0, sert d'index).
• Le type de séparateur de données (par défaut : ,).
• Le type de séparateur décimal (par défaut : ., souvent , pour des jeux de données européens).

data = pd.read_csv('NomFichier.csv', header = 0, index_col = 0, sep= ';', decimal = ',')

Il est donc important d’ouvrir le fichier avant pour vérifier ces informations

À noter qu’on peut aussi importer un jeu de données directement depuis le web.

data = pd.read_csv('https://UrlDuFichierFinissantPar.csv', header = 0, index_col = 0, sep = ';', decimal = ',')

Afficher du texte et des variables.

print (”Go les MIASHS”)

Ce qui nous donne :

Go les MIASHS

On peut aussi mélanger du texte brut avec des variables.

prenom = "Stéphane"
nom = "Chrétien"
print ("Directeur de l'UFR :", prenom, nom)

Ce qui nous donne :

>> Directeur de l'UFR : Stéphane Chrétien

Visualiser les données.

Cela permet de voir rapidement le type de données et leur répartition. Cela permet d’orienter les décisions concernant les traitements et tests à effectuer.

df.sort_values(by=['Colonne']) # Ordonner les données d'un dataframe
describe() # Equivalent à summary() en R : résume les données

Créer une fonction

Il existe un large éventail de fonctions prédéfinies, mais il arrive qu’on ait besoin de réaliser régulièrement le même ensemble de traitements. Pour éviter d’abuser du copier-coller, on peut alors définir ses propres fonctions.

Pour ce faire, on utilise def, on nomme la fonction (utiliser un nom assez explicite, tout en évitant qu’il soit trop long si on y fait souvent appel).

Puis, on précise s’il y a des variables en entrée (par exemple pour afficher des données, les tranformer, etc.). Il est possible qu’il n’y ait aucun paramètre en entrée (comme pour un compteur par exemple).

On utilise les : pour préciser que le bloc d’instructions va suivre. On décrit ensuite les instructions après indentation (précise le début du bloc et la fin du bloc).

Enfin, on peut préciser des variables de sortie (si on effectue des calculs par exemple). De même, il se peut qu’il n’y ait pas de paramètres de sortie.

def NomFonction (paramètre_1, paramètre_2, paramètre_3):
 
	# Instruction 1
	# Instruction 2
	# Instruction 3

	return sortie_1, sortie_2

On peut ensuite appeler cette fonction autant de fois qu’on le souhaite en spécifiant les paramètres soit directement en suivant l’ordre dans lequel ils ont été déclarés, soit dans un ordre différent en précisant les paramètres.

Exemple

def CarteEtu (nom, prenom, numetu)

	print ("--- Carte étudiante ---")
	print ("Nom :", nom)
	print ("Prénom :", prenom)
	print ("Numéro étudiant :", numetu)

On peut alors soit appeler la fonction en précisant les variables en entrée en suivant le même ordre.

CarteEtu (”Chrétien”, “Stéphane”, 219574)

Ce qui nous affiche :

>> --- Carte étudiante ---
	 Nom : Chrétien
	 Prénom : Stéphane
	 Numéro étudiant : 219574

Mais si on ne se souvient plus de l’ordre, ou qu’on aime se rebeller, on peut préciser à quoi correspondent nos variables en entrée.

CarteEtu (numetu = 219574, prenom = “Stéphane”, nom =”Chrétien”)

Ce qui nous affiche :

>> --- Carte étudiante ---
	 Nom : Chrétien
	 Prénom : Stéphane
	 Numéro étudiant : 219574

Boucles & Conditions

Conditions et instructions If

Le python supporte les conditions logiques classiques provenant des mathématiques :

• Egal : a == b
• Non égal : a != b
• Inférieur à : a < b
• Inférieur ou égal à : a <= b
• Supérieur à : a > b
• Supérieur ou égal à : a >= b

Ces conditions peuvent être utilisés dans plusieurs méthodes, la plus commune des utilisations reste les conditions if et les boucles.

Une condition if est écrite en utilisant le mot clé if.

Exemple

a = 33
b = 200

if b > a:
	print("b est plus grand que a")

Dans cet exemple, nous utilisons deux variables : a et b qui sont utilisées par l’instruction if pour tester si b est plus grand que a , sachant que a est égal à 33 et que b est égal à 200, nous savons que 200 est plus grand que 33, nous écrivons donc que “b est plus grand que a”.

Indentation

Le python se base sur l’indentation (une tabulation au début de la ligne), pour définir la portée du code. Les autres langages utilisent principalement les “curly-brackets” : { } pour cette utilisation.

Exemple (qui génèrera une erreur)

a = 33
b = 200

if b > a:
print("b est plus grand que a") # Pas d'indentation, la portée n'est pas définie

Elif

Le mot-clé elif est plus communément utilisé comme else if dans les autres langages. C’est la façon de dire “Si la condition précédente n’était pas vraie, alors essayer cette condition”.

Exemple

a = 33
b = 33

if b > a:
	print("b est plus grand que a")
elif a == b:
	print("a et b sont égaux")

Else

Else est utilisé dans le cas ou la ou les conditions précédentes ne sont pas remplies

Exemple

a = 200
b = 33

if b > a:
	print("b est plus grand que a")
elif a == b:
	print("a et b sont égaux")
else:
	print("a est plus grand que b")

And

Le terme and est un opérateur logique, et utilisé pour combiner des instructions conditionnelles.

Exemple

a = 200
b = 33
c = 500

if a > b and c > a:
	print("Les deux conditions sont vraies")

Or

or est un opérateur logique utilisé comme and pour combiner des instructions conditionnelles.

Exemple

a = 200
b = 33
c = 500

if a > b or a > c:
	print("Au moins une des conditions est vraie")

Pass

Les instructions if ne peuvent pas être vides, mais si pour une raison vous avez un if sans contenu, utilisez l’instruction pass pour empêcher la génération d’erreurs.

Exemple

a = 33
b = 200

if b > a:
	pass

Boucles While

Avec les boucles while, nous pouvons éxecuter une suite d’instructions tant qu’une condition est vraie.

Exemple

i = 1
while i < 6:
	print(i)
	i += 1

⚠️ Pensez à incrémenter (+1) i, sinon la boucle sera infinie.

Les boucles while requièrent des variables déjà déclarées, c’est pour cela que dans cet exemple nous déclarons i et définissons sa valeur à 1.

Break

L’instruction break est utilisée pour stopper les boucles, même si la condition active est vraie.

Exemple

i = 1
while i < 6:
	print(i)
	if i == 3:
		break
	i += 1

Continue

Avec l’instruction continue nous pouvons stopper l’itération actuelle, puis continuer avec la suivante

Exemple

i = 0
while i < 6:
	i += 1
	if i == 3:
		continue
	print(i)

Else

Comme pour les if, nous pouvons exécuter un bloc de code quand la condition n’est plus vraie.

Exemple

i = 1
while i < 6:
	print(i)
	i += 1
else:
	print("i n'est plus plus petit que 6")

Les Boucles For

Une boucle for est utilisée pour itérer sur une séquence, qui peut être une liste, un dictionnaire, une chaîne de carctère, etc.

Avec la boucle for nous pouvons éxecuter une suite d’instructions, pour chaque item dans une liste, une suite ou autre, etc.

Exemple

fruits = ["pomme", "banane", "cerises"]
for x in fruits:
	print(x)

La boucle for ne nécessite pas d’indexer une variable déclarée au préalable.

Boucler dans une chaîne de caractères (String)

Même les chaîne de caractères (String) sont des objets itérables, ils contiennent une séquence de caractères :

Exemple

for x in "banane":
	print(x)

Break

Avec l’instruction break nous pouvons stopper une boucle avant qu’elle ne soit passée par tout les items :

Exemples

fruits = ["pomme", "banane", "cerise"]
for x in fruits:
	print(x)
	if x == "banane":
		break

fruits = ["pomme", "banane", "cerise"]
for x in fruits:
	if x == "banane":
		break
	print(x)

Continue

L’instruction continueest utilisée pour stopper l’itération actuelle et continuer à la prochaine :

Exemple

fruits = ["pomme", "banane", "cerise"]
for x in fruits:
	if x == "banane":
		continue
	print(x)

La fonction range()

Pour boucler dans un suite de code un certain nombre de fois, nous pouvons utiliser la fonction range().

La fonction range() retourne une séquence de nombres, démarrant de 0 par défaut, et s’incrémentant par 1 (par défaut), et se termine par le nombre spécifié.

Exemple

for x in range(6):
	print(x)

⚠️ Notez que `range(6)` comprend les valeurs de 0 à 5 et non de 0 à 6, c’est le nombre d’itérations.

La fonction range() commence par défaut à 0 comme valeur de départ. Cependant il est possible de spécifier une valeur de départ en ajoutant un paramètre : range(2, 6), ce qui veut dire les valeurs de 2 à 6 (N’incluant pas 6)

Exemple

for x in range(2, 6):
	print(x)

Il est aussi possible de spécifier une valeur d’incrément (qui est par défaut 1) en ajoutant un troisième paramètre : range(2, 30, 3) :

Exemple

for x in range(2, 30 ,3):
	print(x)

Else

L’instruction else dans une boucle for permet de spécifier un bloc de code qui sera exécuté quand la boucle se termine :

Exemple

for x in range(6):
	print(x)
else:
	print("Boucle terminée")

⚠️ Notez que le bloc `else` ne sera pas exécuté si la boucle est stoppée par un `break`

Exemple

for x in range(6):
	if x == 3: break
	print(x)
else:
	print("Boucle terminée")

Pass

Les boucles for ne peuvent pas être vides, mais si pour une raison vous avez une boucle for avec aucun contenu, insérez l’instruction pass pour éviter les erreurs.

Exemple

for x in [0, 1, 2]:
	pass

Graphiques

---

Cela permet de voir rapidement le type de données et leur répartition. Cela permet d’orienter les décisions concernant les traitements et tests à effectuer. N’oubliez pas de manipuler les paramètres (nom des axes, graduation, couleurs, etc.).

Courbe

from matplotlib import pyplot # Librairie : ici on l'a importée directement, donc on l'appelle avec pyplot

pyplot.plot(data) # Créer une courbe
pyplot.show() #Afficher la courbe

Histogramme

from matplotlib import pyplot # Librairie : ici on l'a importée directement, donc on l'appelle avec pyplot

plt.hist(data) # Créer un histogramme
plt.show() # Afficher un histogramme

Nuage de points

from matplotlib import pyplot # Librairie : ici on l'a importée directement, donc on l'appelle avec pyplot

plt.scatter(data1, data2) # Créer le nuage
plt.show() #Afficher le nuage

Statistiques

💡 Si vous ne disposez pas des librairies et/ou modules utilisés, il suffit de les installer en se référant au chapitre à ce propos.

Statistiques descriptives

import pandas as pd # Librairie
df = pd.dataframe(data)
df.describe() # Equivalent à summary() en R : résume les données

import numpy # Librairie
numpy.sum(data) # Somme
numpy.mean(data) # Moyenne
numpy.median(data) # Médiane
numpy.var(data) # Variance
numpy.std(data) # Ecart-Type
numpy.percentile(data, 25) # Percentile (ici on a précisé 25, soit Q1, on peut aussi mettre 75 pour Q3 ou tout autre percentile entre 1 et 100))

from scipy import stats # Librairie
stats.mode(data) # Mode (variable avec le plus gros effectif)

Calculs

round() # Arrondir
r2 = metrics.r2_score(donnees_reelles, donnees_predites) # Coefficient de détermination (à quel point le modèle explique les données)

Statistiques inférentielles (tests)

Récapitulatif Tests Statistiques

💡 Si vous ne disposez pas des librairies et/ou modules utilisés, il suffit de les installer en se référant au chapitre à ce propos.

Tests de normalité

Test de Shapiro-Wilk

Test de Normalité (suit une Loi Normale).

from scipy.stats import shapiro # Librairie
shapiro(data) # Fonction (où data représente le tableau de données, qu'on peut nommer dinosare ou pancakes si on veut

Tests de corrélation

Test de Pearson

Test de corrélation (lien d’évolution entre des variables).

from scipy. stats import pearsonr # Librairie
pearsonr(data) # Fonction

Test de Spearman

Test de corrélation (lien d’évolution entre des variables) basé sur les rangs (leur classement, leur position par rapport aux autres) et non les valeurs.

from scipy. stats import spearmanr # Librairie
spearmanr(data) # Fonction

Test du Chi-Deux

Tester si des variables qualitatives sont dépendantes.

from scipy.stats import chi2_contingency # Librairie
chi2_contingency(data) # Fonction

Tests paramétriques

Test de Student

Tester si les moyennes de deux grands échantillons indépendants sont significativement différentes.

from scipy.stats import ttest_ind # Librairie
ttest_ind(data1, data2) # Fonction où data1 et data2 représentent les jeux de données à comparer, là encore, on les nommes comme on le souhaite)

Test d’Analyse de la Variance (ANOVA)

Tester si les moyennes de plusieurs grands échantillons sont significativement différentes.

from scipy.stats import f_oneway # Librairie
stat, p = f_oneway(data1, data2, data3) # Fonction où data1, data2 et data3 représentent les jeux de données à comparer

Tests non-paramétriques

Test Mann-Whitney

Comparer la distribution de deux petits échantillons indépendants.

from scipy.stats import mannwhitneyu # Librairie
stat, p = mannwhitneyu(data1, data2) # Fonction où data1 et data2 représentent les jeux de données à comparer

Test de Wilcoxon

Comparer la distribution de deux petits échantillons indépendants en se basant sur leurs rangs.

from scipy.stats import wilcoxon # Librairie
wilcoxon(data1, data2) # Fonction où data1 et data2 représentent les jeux de données à comparer

Machine Learning

💡 Pour un tutoriel pas à pas, se référer à ce Notebook.

Deep Learning

PyTorch

Objectifs

PyTorch est une librairie Python très pratique pour le Machine Learning. Il s’avère très pratique quand on fait appel à des réseaux neuronaux profonds (Deep Learning).

Librairie

On doit d’abord installer la librairie sur le terminal de commande.

pip install torch

On l’appelle ensuite comme on le fait pour les autres.

import torch

Utilisation

💡 Tutoriel en français.

Gradient Boosting

On utilise un module de la bibliothèque SciKit-Learn.

from sklearn.ensemble import GradientBoostingRegressor

💡 Pour un tutoriel pas à pas, se référer à ce Notebook.

On va ensuite séparer les données en 2 parties :

• Un jeu de données assez grand (au moins la moitié) pour que le modèle puisse apprendre à prédire.
• Un plus petit jeu de données pour qu’il puisse s’entraîner.

S’il ne s’entraîne pas, il sera bon sur les données sur lesquelles il a appris, mais très mauvais en généralisation, c’est ce qu’on appelle de l’overfitting.

Random Forest

On utilise un autre module de la bibliothèque SciKit-Learn.

from sklearn.ensemble import RandomForestRegressor

On va ensuite séparer les données en 2 parties :

• Un jeu de données assez grand (au moins la moitié) pour que le modèle puisse apprendre à prédire.
• Un plus petit jeu de données pour qu’il puisse s’entraîner.

💡 Pour un tutoriel pas à pas, se référer à ce Notebook.

Modèles Linéaires

Régressions simple et multiple

On utilise encore un module de la bibliothèque Scikit-Learn.

from sklearn.linear_model import LinearRegression # Librairie

model = LinearRegression().fit(X_train, y) # Créer la régression à partir de X (variable indépendante) et y (variable dépendante)
model.score(X_train, y) # Score de régression (coefficient de détermination R2)
model.coef_ # Coefficient(s) de régression (β1, β2, etc.) NB : il s'agit d'un modèle simple lorsqu'on a uniquement β1Rég
model.intercept_ # Coefficient β0 (ordonnée à l'origine)
model.predict(X_test) # Prédire grâce au modèle

Vous pouvez retrouver un exemple d'utilisation de cette bibliothèque ici.

Régression logistique

On utilise un autre module de la même bibliothèque.

from sklearn.linear_model import LogisticRegression # Librairie

model = LogisticRegression().fit(X, y) # Créer la régression à partir de X (variable indépendante) et y (variable dépendante)
model.score(X_train, y) # Score de régression (coefficient de détermination R2)
model.coef_ # Coefficient(s) de régression (β1, β2, etc.) NB : il s'agit d'un modèle simple lorsqu'on a uniquement β1Rég
model.intercept # Coefficient β0 (ordonnée à l'origine)
predict(X_test) # Prédire grâce au modèle
model.summary() # On affiche les statistiques importantes (AIC, BIC, R2, R2 ajusté, résidus, etc.)

Ressources

Exercices (énoncés et corrigés) par Miguel Palencia-Olivar.

Ressource très complète d’aide et tutos.

Playlist sur le Machine Learning Python en français.

Tutoriel sur PyTorch en français.

Notebooks explicatifs (Machine Learning, optimisation, ondelettes, etc.).

Notebook sur le Quantile Boosting & Random Forest sur des données temporelles.

---

© As' & Ben'