Agilité avec les données

Faire du machine learning veut d’abord dire être capable de manipuler les données comme bon vous semble et les représenter à l’aide de graphiques.

DataFrame

Notebooks

• 2A.data - DataFrame et Graphes
• 2A.data - DataFrame et Graphes - correction
• 2A.data - Pandas et itérateurs
• 2A.data - Pandas et itérateurs - correction
• 2A.eco - Mise en pratique des séances 1 et 2 - Utilisation de pandas et visualisation
• 2A.eco - Mise en pratique des séances 1 et 2 - Utilisation de pandas et visualisation - correction
• 2A.eco - Mise en pratique des séances 1 et 2 - Utilisation de pandas et visualisation - correction
• 2A.eco - Mise en pratique des séances 1 et 2 - Utilisation de pandas et visualisation - correction
• Tech - carte

Modules

• pandas

• py-polars

• csvkit

• geopandas (pour manipuler des coordonnées géographiques)

Modules - grands jeux de données

• pandas_streaming

• vaex

• py-polars

Modules - Excel

• bamboolib

Optimisation

• swifter : optimisation des lambdas de pandas

• modin.dataframe : cette implémentation des dataframes copie l’interface de pandas mais propose des implémentations parallélisées sur une ou plusieurs machines (xarray, dask)