Créer des DataFrames

Qu’est-ce qu’un DataFrame ?

Un DataFrame pandas est une structure de données bidimensionnelle étiquetée, pensez à un tableur, à une table SQL ou à un dictionnaire d’objets Series. Chaque colonne est une Series, et toutes les colonnes partagent le même index.

import pandas as pd

df = pd.DataFrame({
    "Name": ["Alice", "Bob", "Carol"],
    "Age": [24, 30, 28],
    "Score": [88, 92, 79]
})
print(df)

Sortie :

    Name  Age  Score
0  Alice   24     88
1    Bob   30     92
2  Carol   28     79

Créer des DataFrames à partir de différentes sources

À partir d’un dictionnaire de listes, chaque clé devient un nom de colonne :

df = pd.DataFrame({
    "City": ["Lagos", "Nairobi", "Cairo"],
    "Population": [15_400_000, 4_400_000, 20_900_000],
    "Country": ["Nigeria", "Kenya", "Egypt"]
})

À partir d’une liste de dictionnaires, chaque dictionnaire est une ligne :

records = [
    {"Name": "Alice", "Score": 88},
    {"Name": "Bob", "Score": 92},
    {"Name": "Carol", "Score": 79},
]
df = pd.DataFrame(records)

À partir d’une Series, plusieurs Series se combinent en colonnes :

names = pd.Series(["Alice", "Bob", "Carol"])
scores = pd.Series([88, 92, 79])
df = pd.DataFrame({"Name": names, "Score": scores})

Lire des fichiers CSV

La façon la plus courante de charger des données réelles est de partir d’un fichier CSV :

df = pd.read_csv("titanic.csv")

Paramètres utiles pour read_csv() :

df = pd.read_csv(
    "data.csv",
    index_col="id",        # use 'id' column as the index
    usecols=["name", "age", "fare"],  # load only these columns
    na_values=["?", ""],   # treat '?' and empty strings as NaN
    dtype={"age": "float"} # force column type
)

Pour ce cours, nous utiliserons le jeu de données Titanic, disponible à l’adresse suivante :

# titanic.csv ships with the course — load it from the browser file system.
df = pd.read_csv("titanic.csv")

Inspecter vos données

Après avoir chargé les données, inspectez-les toujours d’abord :

df.head()        # first 5 rows
df.tail(3)       # last 3 rows
df.shape          # (rows, columns) — e.g. (891, 12)
df.info()         # column names, non-null counts, dtypes
df.describe()     # statistical summary of numeric columns

La méthode info() est particulièrement importante, elle révèle les valeurs manquantes et les types de données :

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 12 columns):
 #   Column    Non-Null Count  Dtype  
---  ------    --------------  -----  
 0   PassengerId  891 non-null   int64  
 1   Survived     891 non-null   int64  
 2   Pclass       891 non-null   int64  
 3   Name         891 non-null   object 
 4   Age          714 non-null   float64
 5   SibSp        891 non-null   int64  
 ...

Remarquez que Age n’a que 714 valeurs non-null sur 891, cela signifie 177 valeurs manquantes. Nettoyer ces données est une compétence essentielle que vous apprendrez plus tard.

Accès aux colonnes

Une fois que vous avez un DataFrame, vous pouvez accéder aux colonnes sous forme de Series :

print(df["Age"])       # returns a Series
print(df.Age)          # dot notation also works (if column name has no spaces)

Sélectionnez plusieurs colonnes en passant une liste :

df[["Name", "Age"]]

Essayez-le

Créez un DataFrame représentant trois employés avec des colonnes pour le Nom, le Département et le Salaire. Affichez le DataFrame, puis affichez uniquement les colonnes Nom et Salaire.

import pandas as pd

employees = pd.DataFrame({
    "Name": ["Amina", "Kofi", "Zara"],
    "Department": ["Engineering", "Marketing", "Engineering"],
    "Salary": [95000, 72000, 88000]
})
print(employees)
print(employees[["Name", "Salary"]])

Points clés à retenir

• Un DataFrame est une table avec des lignes étiquetées (index) et des colonnes étiquetées
• Les dictionnaires de listes et les listes de dictionnaires sont les méthodes de construction les plus courantes
• pd.read_csv() charge des données externes, utilisez index_col, usecols et na_values pour un contrôle précis
• Inspectez toujours les nouvelles données avec head(), info() et describe() avant d’analyser

Défi pratique

Chargez le jeu de données Titanic depuis l’URL ci-dessus. Combien de lignes et de colonnes possède-t-il ? Quels sont les noms des colonnes ? Combien de colonnes contiennent des valeurs manquantes ? Utilisez info() pour le découvrir.