1) Pourquoi analyser des données avec Python ?

Écosystème riche : pandas (manipulation), matplotlib (graphiques bas-niveau),

seaborn (graphiques statistiques), scikit-learn (ML), etc.
Lisibilité & productivité : syntaxe claire, notebooks interactifs.
Reproductibilité : scripts/Notebooks versionnables, pipelines.
Interopérabilité : CSV, Excel, SQL, Parquet…
Communauté & exemples : beaucoup de ressources et de bonnes pratiques.

Objectif du module : savoir charger, explorer, transformer et visualiser des données

avec des graphiques pertinents, interpréter les résultats et raconter une histoire claire.

2) Installation & préparation de l’environnement

a) Créer un environnement (recommandé)
# ---> Pour creer : Sous Windows / macOS / Linux
python -m venv .venv

# ---> Pour activer activer

1 / 17
 # Windows (PowerShell)
.venv\Scripts\Activate.ps1
# macOS/Linux (bash/zsh)
source .venv/bin/activate

Pas l'objet de la formation, mais une règle de bonne pratique

b) Installer les bibliothèques

pip install pandas matplotlib seaborn jupyter

c) Lancer Jupyter (optionnel)

--> Via le terminal

jupyter lab

# ou

jupyter notebook

# ou en

Via Visual Studio Code (vscode)

Via Anaconda

2 / 17
Via Google Colab

Cas d'étude : Célibataires dans le monde (50 000 lignes)

Jeu de données utilisé : celibataires_monde_v2.csv / celibataires_monde_v2.xlsx
Variables clés : genre , annee_naissance , age_2025 , taille_cm , poids_kg , imc ,
milieu , etat_emploi , niveau_etudes , revenu_annuel_usd , pays_origine ,
pays_residence , ville_residence , etc.

Lien : [Link]
export=view&id=12Vt48j7tBaS99QSmyvBepW3vFlMtryA7

3) Importer les bibliothèques & charger le jeu de

données
Pandas
3 / 17
import pandas as pd
import numpy as np
import [Link] as plt
import seaborn as sns

# Option d’affichage

pd.set_option("display.max_columns", None)
# Chemin vers le fichier (adapter si besoin)
CSV_PATH = "celibataires_monde_v2.csv"

# Chargement
df = pd.read_csv(CSV_PATH)
# Aperçu

[Link]()

4 / 17
NB : "[Link]
export=view&id=12Vt48j7tBaS99QSmyvBepW3vFlMtryA7"

À vérifier :

[Link] # nombre de lignes/colonnes

[Link] # noms des colonnes

[Link]() # types des colonnes + valeurs manquantes

[Link](numeric_only=True) # stats descriptives numériques

4) Sélection & filtrage dans un DataFrame

a) Sélection par étiquette vs. position
# 1 cellule

[Link][0, "prenom"] # étiquette (index/colonnes)

[Link][0, 0] # position (ligne 0, col 0)

# ligne(s) complète(s)

[Link][0] # ligne index 0

[Link][:5] # 5 premières lignes

b) Sélection de colonnes
df["genre"].head()

df[ ["prenom", "genre", "pays_residence"] ].head()

c) Filtrer (requêtes simples)

# 1 condition

femmes = df[df["genre"] == "F"]

5 / 17
 # plusieurs conditions (ET & OU)

femmes_urbain = df[(df["genre"] == "F") & (df["milieu"] == "urbain")]

hauts_revenus = df[(df["revenu_annuel_usd"] > 50000) |

(df["niveau_etudes"].isin(["supérieur", "postgrad"]))]

# via .query (syntaxe compacte)

femmes_france = [Link]("genre == 'F' and pays_residence == 'France'")

d) Trier et échantillonner
df.sort_values(by="revenu_annuel_usd", ascending=False).head(10)

[Link](5, random_state=42)

5) Créer de nouvelles colonnes & exporter

a) Exemple : âge à partir de l’année de naissance
from datetime import datetime

current_year = [Link]().year # ou 2025

df["age"] = current_year - df["annee_naissance"]

df[["annee_naissance", "age"]].head()

b) Catégoriser l’IMC (OMS, simplifié)

bins = [0, 18.5, 25, 30, [Link]]

labels = ["insuffisance", "normal", "surpoids", "obésité"]

df["imc_cat"] = [Link](df["imc"], bins=bins, labels=labels, right=False)

df["imc_cat"].value_counts(dropna=False)

c) Détecter migration (origine ≠ résidence)

df["est_migrant"] = (df["pays_origine"] != df["pays_residence"]).astype(int)

6 / 17
 df["est_migrant"].mean() # ≈ 0.037 (3.7 %) dans ce jeu synthétique

d) Exporter (format au choix)

# CSV

df.to_csv("celibataires_enrichi.csv", index=False, encoding="utf-8")

# Excel

df.to_excel("celibataires_enrichi.xlsx", index=False)

# Parquet (rapide/compact, nécessite pyarrow)

# pip install pyarrow

# df.to_parquet("celibataires_enrichi.parquet", index=False)

6) Choisir le bon graphique

Objectif Type de variable Bon choix de graphique

Part/proportion Catégorielle (faible Barres, pie (avec parcimonie)
modalités)
Distribution Numérique Histogramme, KDE (densité),
Boxplot, Violin

7 / 17
 Objectif Type de variable Bon choix de graphique
Comparer des Catégorielle × Numérique Barres (avec erreur), Box/Violin
moyennes
Relation 2 numériques Nuage de points (scatter), Ligne
(série temporelle)
Classement Catégorielle (beaucoup Barres horizontales triées
de modalités)
Corrélations Plusieurs numériques Matrice de corrélation + Heatmap

Conseil : préférez les barres pour des catégories ; évitez les camemberts quand il y a
trop de modalités (>5).

7) Visualisation avec Matplotlib

a) Anatomie : Figure, Axes, API pyplot

fig, ax = [Link](figsize=(8, 4)) # crée une figure et 1 axe

[Link]([1,2,3], [2,3,2], marker="o")

ax.set_title("Exemple simple")

ax.set_xlabel("X")

ax.set_ylabel("Y")

[Link](True, alpha=0.3)

[Link]()

Figure : zone globale du dessin.

Axes : région de tracé (où apparaissent les données).
[Link] , [Link] , [Link] , etc. : méthodes pour dessiner.
ax.set_* : configurer titres/labels/limites.

b) Subplots (plusieurs graphiques)

fig, axs = [Link](nrows=1, ncols=2, figsize=(12, 4), sharey=False)

axs[0].hist(df["age"], bins=20)

axs[0].set_title("Distribution de l'âge")

moyenne_taille = [Link]("genre")["taille_cm"].mean().sort_values()

8 / 17
 axs[1].bar(moyenne_taille.index, moyenne_taille.values)

axs[1].set_title("Taille moyenne par genre")

for i, v in enumerate(moyenne_taille.values):

axs[1].annotate(f"{v:.1f} cm", (i, v), xytext=(0,3), textcoords="offset

points", ha="center")

plt.tight_layout()

[Link]()

c) Graphiques de base (Matplotlib)

Histogramme

[Link](figsize=(6,4))

[Link](df["revenu_annuel_usd"], bins=50)

[Link]("Distribution des revenus (USD)")

[Link]("Revenu annuel (USD)")

[Link]("Nombre de personnes")

[Link]("log") # utile si distribution très étalée

[Link]()

Barres

top_pays = df["pays_residence"].value_counts().head(10)[: -1] # du 10e au 1er

[Link](figsize=(7,5))

[Link](top_pays.index, top_pays.values)

[Link]("Top 10 pays de résidence")

[Link]("Effectif")

9 / 17
 plt.tight_layout()

[Link]()

Ligne

age_mean_by_birth = [Link]("annee_naissance")["taille_cm"].mean()

[Link](figsize=(7,4))

[Link](age_mean_by_birth.index, age_mean_by_birth.values, marker=".")

[Link]("Taille moyenne par année de naissance")

[Link]("Année de naissance")

[Link]("Taille moyenne (cm)")

[Link]()

Camembert (avec parcimonie)

parts = df["genre"].value_counts()

[Link](figsize=(4,4))

[Link]([Link], labels=[Link], autopct="%1.1f%%", startangle=90)

[Link]("Répartition par genre")

plt.tight_layout()

[Link]()

Boxplot

[Link](figsize=(6,4))

[Link]([[Link][df["genre"]=="F","imc"], [Link][df["genre"]=="M","imc"]],
labels=["F","M"])

10 / 17
 [Link]("IMC par genre")

[Link]("IMC")

[Link]()

Interprétation (exemples) :
Histogramme des revenus : distribution étalée/à droite (log-échelle utile).
Barres top pays : compare les effectifs par pays.
Ligne taille vs année de naissance : tendance globale (attention aux cohortes).
Boxplot IMC par genre : comparer médiane, étendue et valeurs extrêmes.

8) Personnaliser vos graphiques

fig, ax = [Link](figsize=(7,4))

vals = df["heures_sport_semaine"].value_counts().sort_index()

[Link]([Link](str), [Link])

ax.set_title("Heures de sport par semaine")

ax.set_xlabel("Heures")

ax.set_ylabel("Effectif")

[Link](axis="y", alpha=0.3)

for x, y in zip([Link], [Link]):

[Link](str(y), (x, y), xytext=(0,3), textcoords="offset points",

ha="center")

plt.tight_layout()

[Link]()

À connaître :
Titres & labels : set_title , set_xlabel , set_ylabel
Axes : set_xlim , set_ylim , set_xticks , set_yticks , tick_params(rotation=...)
Légende : [Link]() (après label= dans les tracés)
Annoter : [Link](text, xy=(x,y), ...)
Grille : [Link](True, alpha=0.3)

11 / 17
 Mise en page : plt.tight_layout()
9) Visualisation exploratoire avec Seaborn
seaborn simplifie les graphiques statistiques et gère bien les groupes ( hue ) et les
incertitudes ( ci ).
a) Distributions & densité
[Link](data=df, x="age", bins=25, kde=True)

[Link]("Distribution de l'âge avec densité")

[Link]()

Paramètres clés : data , x / y , bins , kde (courbe de densité).

b) Comptages catégoriels
[Link](data=df, x="genre")

[Link]("Effectifs par genre")

[Link]()

Paramètres : x (catégorie), hue (sous-groupes), order (tri).

c) Barres agrégées (moyenne, médiane…)

[Link](data=df, x="genre", y="taille_cm", estimator=[Link], ci=95)

[Link]("Taille moyenne par genre (±95% CI)")

[Link]()

estimator : fonction d’agrégation ( [Link] , [Link] )

ci : intervalle de confiance (ou errorbar=('ci', 95) sur versions récentes)

d) Boxplot / Violin (distributions par groupe)

[Link](data=df, x="genre", y="imc")

[Link]("IMC par genre (boxplot)")

[Link]()

12 / 17
 [Link](data=df, x="milieu", y="revenu_annuel_usd", cut=0)

[Link]("log")

[Link]("Revenu annuel par milieu (échelle log)")

[Link]()

Astuce : yscale("log") si forte asymétrie.

e) Nuage de points & tendance

[Link](data=[Link](5000, random_state=1), x="taille_cm",
y="poids_kg", hue="genre", alpha=0.6)

[Link]("Relation taille/poids (échantillon)")

[Link]()

[Link](data=[Link](5000, random_state=2), x="age", y="imc",

hue="genre", scatter_kws={"alpha":0.3})

[Link]("IMC vs âge, droite de régression")

[Link]()

lmplot : tendance linéaire par groupe ( hue ).

f) Matrice de corrélation & heatmap

num_cols = ["age", "taille_cm", "poids_kg", "imc", "heures_sport_semaine",
"revenu_annuel_usd"]

corr = df[num_cols].corr(numeric_only=True)

[Link](corr, annot=True, fmt=".2f")

[Link]("Matrice de corrélation (numériques)")

[Link]()

13 / 17
 Interprétation : valeurs proches de 1 (corrélation forte positive), -1 (forte négative).

g) Comparaisons multi-facettes ( catplot , FacetGrid )

[Link](data=df, x="genre", y="revenu_annuel_usd", col="milieu",

kind="bar", ci=None)

[Link]("log")

[Link]()

col / row : facettes par sous-échantillons.

10) Mini-analyses guidées (exemples)

Âge : distribution centrée autour de 30–40 ans (selon tirage). Intéressant de
comparer urbain vs rural :

[Link](data=df, x="age", hue="milieu", common_norm=False)

[Link]("Âge — densité par milieu")

[Link]()

IMC par genre : boxplot ou violin pour voir médianes/dispersion :

[Link](data=df, x="genre", y="imc")

[Link]("IMC par genre")

[Link]()

Répartition par pays : Top 10 (barres horizontales) :

top10 = df["pays_residence"].value_counts().head(10)

[Link](x=[Link], y=[Link], orient="h")

[Link]("Top 10 pays de résidence")

14 / 17
 [Link]("Effectif")

[Link]("Pays")

[Link]()

Sport & IMC : relation simple :

[Link](data=[Link](8000, random_state=0),
x="heures_sport_semaine", y="imc", alpha=0.3)

[Link]("IMC vs heures de sport/semaine")

[Link]()

Attente : corrélation faible/négative (plus de sport → IMC légèrement plus bas), mais
corrélation ≠ causalité.

Revenus par niveau d’études :

[Link](data=df, x="niveau_etudes", y="revenu_annuel_usd",

showfliers=False)

[Link]("log")

[Link]("Revenu annuel par niveau d'études (échelle log)")

[Link]()

11) Bonnes pratiques

Toujours décrire le jeu, les hypothèses et les limites (ici données synthétiques).
Nettoyage : valeurs manquantes, doublons, types ( astype ), normalisation.
Visualisations lisibles : titres, labels, échelles, tri, unités claires.
Échantillonnage sur grands volumes pour tracer rapidement.
Séparer exploration (EDA) et production (rapports/dashboards).
Sauvegarder vos figures en SVG/PNG avec [Link]("[Link]", dpi=150,
bbox_inches="tight") .

12) Exercices pratiques

Filtrer les personnes célibataires urbaines de moins de 30 ans et afficher leur
répartition par pays (barres triées).

15 / 17
 Créer imc_cat puis comparer la répartition par genre (barres empilées ou
regroupées).
Visualiser le revenu médian par pays (Top 10) avec échelle log.
Explorer la relation âge vs revenu_annuel_usd par milieu ( hue /facettes).
Exporter un sous-échantillon propre en CSV et Excel.
13) Références utiles (générales)
[Link] : sélection, groupby, pivot, merge, datetime.
matplotlib : anatomie Figure/Axes, annotations, échelles ( log ), subplots.
seaborn : gramme statistique haut niveau ( histplot , boxplot , barplot , catplot ,
pairplot , heatmap ).

Note éthique : ce jeu de données est synthétique (généré). Les caractéristiques ne

sont pas corrélées aux nationalités/genres pour éviter les stéréotypes.
Boilerplate de départ (copier/coller)
import pandas as pd, numpy as np, [Link] as plt, seaborn as sns

df = pd.read_csv("celibataires_monde_v2.csv")

df["age"] = [Link]().year - df["annee_naissance"]

[Link]()

Type de Méthode principale Paramètres clés

graphique
Courbe (Line [Link](x, y, color, x , y (données) ; color ( 'r' , 'g' ,
plot) linestyle, marker) '#123456' ), linestyle ( '-' , '--' ,
':' ), marker ( 'o' , 's' , 'x' )
Nuage de [Link](x, y, s, c, x, y ; s (taille des points) ; c
points (Scatter) alpha) (couleur ou colormap) ; alpha
(transparence)
Histogramme [Link](data, bins, data (valeurs) ; bins (nombre de
color, alpha, density) classes) ; color ; alpha ;
density=True (normalisation en
probabilité)
Barres [Link](x, height, x (catégories) ; height (valeurs) ;
verticales width, color) width (largeur) ; color
Barres [Link](y, width, y (catégories) ; width (valeurs) ;
horizontales color) color
Secteurs (Pie [Link](data, labels, data (valeurs) ; labels ;
chart) autopct, colors) autopct='%1.1f%%' (pourcentages) ;
colors
Boxplot (boîte [Link](data, vert, data (liste ou array) ;
à moustaches) patch_artist) vert=True/False (orientation) ;
patch_artist=True (remplissage)

16 / 17
Type de Méthode principale Paramètres clés
graphique
Aires (Area plt.fill_between(x, y1, x ; y1 (borne inférieure) ; y2 (borne
plot) y2, color, alpha) supérieure ou 0) ; color ; alpha
Step plot [Link](x, y, where) x , y ; where='mid'/'pre'/'post'
(courbe en (position des sauts)
escalier)
Polar / Radar [Link](theta, r) theta (angle en radians) ; r (rayon)
Error bar [Link](x, y, x , y ; yerr (erreurs verticales) ;
(Barres yerr, xerr, fmt) xerr (erreurs horizontales) ; fmt
d’erreur) (format : '-o' , 's' )
Heatmap [Link](data, cmap, data (matrice 2D) ; cmap='viridis' ;
simple interpolation) interpolation='nearest'
(Matrice)
Graphique 3D – ax.plot3D(x, y, z) x, y, z (coordonnées 3D)
Courbe
Graphique 3D – ax.scatter3D(x, y, z, x, y, z ; c (couleur) ; s (taille)
Nuage c, s)
Graphique 3D – ax.plot_surface(X, Y, X, Y (maillage avec [Link] ) ;
Surface Z, cmap) Z (valeurs) ; cmap

17 / 17