Que fait analyse-données-jupyter ?
Conseils d'expert pour l'analyse de données, la visualisation et le développement de notebooks Jupyter avec pandas, matplotlib, seaborn et numpy.
Description
Cette compétence offre des conseils d'expert en analyse de données et visualisation, spécifiquement adaptés aux notebooks Jupyter. Elle couvre l'utilisation des bibliothèques populaires telles que pandas, matplotlib, seaborn et numpy pour nettoyer, transformer et visualiser les données de manière efficace. Idéale pour les data scientists et les analystes, elle garantit que les agents d'IA génèrent du code pertinent et bien structuré, optimisé pour les flux de travail Jupyter.
Utilisation
- Analyse exploratoire des données (EDA) : Utilisez pandas pour charger, nettoyer et résumer les données. Combinez avec seaborn et matplotlib pour des visualisations rapides.
- Transformation des données : Appliquez des opérations de groupement, de filtrage et de pivotement avec pandas.
- Calculs numériques : Utilisez numpy pour les opérations mathématiques et la manipulation de tableaux.
- Visualisation : Créez des graphiques statiques et interactifs avec matplotlib et seaborn directement dans les cellules Jupyter.
- Bonnes pratiques : Suivez des conventions de nommage, commentez le code et structurez les notebooks en sections logiques.
Exemple de code
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
# Chargement des données
df = pd.read_csv('donnees_exemple.csv')
# Nettoyage
df.dropna(inplace=True)
# Analyse
groupes = df.groupby('categorie')['valeur'].mean()
print(groupes)
# Visualisation
plt.figure(figsize=(10, 6))
sns.barplot(x=groupes.index, y=groupes.values)
plt.title('Moyenne par catégorie')
plt.show()
Remarques importantes
- Assurez-vous que l'environnement Jupyter dispose de ces bibliothèques installées (
pip install pandas matplotlib seaborn numpy). - Privilégiez les visualisations dans les notebooks pour une exploration interactive.
- Évitez les boucles Python lentes ; utilisez les opérations vectorisées de pandas et numpy.
Plateformes supportées
- Claude Code
- Cursor
- Codex
- GitHub Copilot
Auteur
mindrally