Semaine 6 : Bases des Series et DataFrame

📐 Un tableau n'est pas une idée nouvelle pour vous — c'est une matrice avec des étiquettes. Pandas donne simplement à Python un support natif pour cela.

🎯 Objectifs d'apprentissage

À la fin de cette semaine vous serez capable de :

• Expliquer ce que sont une Series et un DataFrame, et comment ils se rapportent à un vecteur et une matrice.
• Construire un DataFrame à partir de structures de données Python, et en charger un depuis un CSV avec pd.read_csv.
• Inspecter la forme, les colonnes, les dtypes, l'index et les statistiques descriptives d'un DataFrame.
• Sélectionner une seule colonne comme Series, et connaître la différence entre les deux principales façons de le faire.

Leçon

Du dict de listes au DataFrame

Le mini-projet de la semaine 5 de Python 101 calculait des moyennes par étudiant à l'aide d'un dict. Un DataFrame est la structure conçue par pandas exactement pour ce genre de données tabulaires — des lignes et des colonnes, avec des étiquettes sur les deux axes :

import pandas as pd

df = pd.DataFrame({
    "name": ["Amina", "Youssef", "Sara"],
    "score": [88, 74, 95],
})
df

Vous pouvez aussi en construire un à partir d'une liste de dicts — exactement la forme « liste d'enregistrements » de l'exemple de collections imbriquées de la semaine 3 du parcours normal de Python 101 :

records = [
    {"name": "Amina", "score": 88},
    {"name": "Youssef", "score": 74},
]
pd.DataFrame(records)

Les deux formes produisent le même genre d'objet ; laquelle est la plus pratique dépend simplement de la façon dont vos données sont déjà structurées — dict de listes quand vous pensez « colonne par colonne », liste de dicts quand vous pensez « enregistrement par enregistrement ».

Une Series est une seule colonne étiquetée — pensez-y comme à un vecteur $\mathbf{v} \in \mathbb{R}^n$, sauf que chaque entrée a aussi une étiquette (son index), pas seulement une position :

df["score"]        # a Series
type(df["score"])   # pandas.core.series.Series

Un DataFrame est un tableau 2D de telles colonnes partageant un même index de lignes — l'analogue tabulaire d'une matrice $A \in \mathbb{R}^{m \times n}$, sauf que les colonnes peuvent avoir des dtypes différents et que les deux axes portent des étiquettes, pas seulement des positions numériques.

L'index

Chaque DataFrame (et Series) a un index de lignes — les étiquettes le long du bord gauche — visible chaque fois que vous en affichez un. Par défaut, c'est simplement 0, 1, 2, ..., mais ça n'a pas à l'être :

df.index                       # RangeIndex(start=0, stop=3, step=1) by default
df_named = df.set_index("name")   # use the "name" column as the index instead
df_named.loc["Amina"]              # now you can look up a row by name directly

set_index ne modifie pas df en place par défaut — elle retourne un nouveau DataFrame avec le changement, le même motif « retourne une nouvelle valeur, ne modifie pas » que vous avez déjà vu avec sorted() en Python 101.

Lire un CSV

Le même students-normal.csv de Python 101 se charge en un seul appel — pas de boucle manuelle avec csv.DictReader, pas de conversions manuelles avec int(...) :

df = pd.read_csv("students-normal.csv")
df.head()      # first 5 rows
df.tail(3)      # last 3 rows

pd.read_csv déduit automatiquement le dtype de chaque colonne (les nombres deviennent int64/float64, le texte reste object), ce qui correspond à la majeure partie de ce que la semaine 5 du parcours normal de Python 101 faisait à la main, réalisé pour vous en une seule ligne.

Inspecter un DataFrame

Une poignée de méthodes répondent à « à quoi ressemble réellement ce jeu de données ? » avant que vous ne fassiez quoi que ce soit d'autre avec :

df.shape        # (rows, columns) — e.g. (10, 4)
df.columns      # column names
df.dtypes       # each column's data type
df.info()       # shape + dtypes + non-null counts, all at once
df.describe()   # count, mean, std, min, quartiles, max — for numeric columns

df.describe() vaut la peine qu'on s'y attarde : moyenne et écart-type sont exactement les statistiques que vous connaissez déjà d'un cours de statistiques, calculées instantanément sur une colonne entière plutôt qu'à la main. Vous pouvez renommer des colonnes après coup si les noms du fichier source ne sont pas pratiques à utiliser :

df = df.rename(columns={"quiz1": "quiz_1"})

⚠️ Erreurs courantes

• Oublier que la plupart des opérations sur un DataFrame retournent un nouvel objet. df.rename(...), df.set_index(...), et beaucoup d'autres ne changent pas df lui-même, sauf si vous réaffectez (df = df.rename(...)) ou passez inplace=True.
• Confondre df.shape (sans parenthèses) avec un appel de méthode. .shape est un attribut, pas une fonction — df.shape() lève une TypeError.
• Supposer que .describe() couvre chaque colonne. Par défaut, elle ne résume que les colonnes numériques ; les colonnes de texte nécessitent un regard différent (la semaine 8 couvre le nettoyage et l'inspection de celles-ci).

🧩 Défis

🧩

Chargez students-normal.csv (de la semaine 5 de Python 101 — réutilisez le même fichier) dans un DataFrame et affichez combien de lignes et de colonnes il contient.

🧩

Sélectionnez uniquement la colonne quiz1 comme Series. Quelles sont les deux syntaxes différentes pour faire cela ?

🧩

Calculez la moyenne de la colonne quiz1 en utilisant une méthode de Series (pas sum()/len() à la main).

🧩

Exécutez df.describe() sur le DataFrame des étudiants. Inclut-il la colonne name ? Pourquoi, ou pourquoi pas ?

🧩

Définissez name comme index du DataFrame des étudiants, puis recherchez directement la ligne d'Amina par son nom plutôt que par numéro de ligne.

🧩

Construisez à la main un petit DataFrame (pas depuis un CSV) avec deux colonnes, city et population, pour 3 villes de votre choix — en utilisant soit le style dict-de-listes, soit le style liste-de-dicts.

🤔 Questions socratiques

• Une Series est souvent comparée à une list Python avec des étiquettes. Que pouvez-vous faire avec .mean()/.std() d'une Series en un seul appel que vous ne pourriez pas faire avec une simple list sans écrire votre propre fonction ?
• df.dtypes montre le type déduit de chaque colonne. Que pourrait-il aller de travers si une colonne d'apparence numérique (comme quiz1) contenait en fait une ligne avec du texte dedans, comme "absent" ? Quel dtype pandas déduirait-il probablement pour toute la colonne ?
• Vous avez passé 5 semaines de Python 101 à construire à la main de la logique de lecture de CSV et de calcul de moyenne. Quelles lignes précises de cette logique pd.read_csv(...).describe() remplace-t-il ? Perd-on réellement quelque chose en utilisant ce raccourci, ou seulement du temps qui est gagné ?
• df.set_index("name") remplace l'index numérique par défaut par un index significatif. Qu'irait-il de travers si la colonne name avait une valeur en double — pourrait-on encore distinguer deux étudiants différents ensuite ?

✅ Quiz de la semaine

✅ Quiz de la semaine

1. Une Series pandas se décrit le mieux comme :

Un tableau 2D de lignes et de colonnesUne seule colonne étiquetée de donnéesUn fichier CSV sur disqueUn dict Python sans étiquettes

2. Quelle fonction charge un fichier CSV dans un DataFrame ?

pd.load_csv()pd.read_csv()pd.DataFrame.open()pd.csv()

3. df.describe() résume par défaut :

Chaque colonne, texte inclusSeulement les colonnes numériquesSeulement la première ligneSeulement les noms de colonnes

4. df.shape retourne :

Les noms des colonnesUn tuple (lignes, colonnes)Les types de données de chaque colonneLes 5 premières lignes

5. df.set_index("name") par défaut :

Modifie df en place et retourne NoneRetourne un nouveau DataFrame, en laissant le df original inchangéSupprime entièrement la colonne nameNe fonctionne que sur des colonnes numériques

Marquer cette semaine comme terminée