Guide
Python
Quentin Couturier
🐍 Introduction :
Pourquoi Python ?
Python est un langage de programmation
polyvalent, apprécié pour sa syntaxe simple et
sa communauté immense.
Il s’utilise dans :
Analyse de données : finance, statistiques,
recherche scientifique.
Développement web : frameworks comme
Django ou Flask.
Automatisation : scripts pour tâches
répétitives (fichiers, e-mails, web scraping).
Intelligence artificielle & machine learning :
bibliothèques comme TensorFlow ou
PyTorch.
Finance et investissement : calculs de risque,
backtests, algorithmes de trading.
Les atouts :
Lisible et concis → idéal pour débuter.
Multiplateforme → Windows, macOS, Linux.
Écosystème riche → des milliers de
bibliothèques (packages) pour presque tout.
L’écosystème de
bibliothèques
Pandas : manipulation et analyse de
données tabulaires.
NumPy : calcul scientifique, tableaux
multidimensionnels rapides.
Matplotlib / Seaborn : visualisation
graphique.
Requests, BeautifulSoup, Selenium :
requêtes HTTP et web scraping.
OpenPyXL, XlsxWriter : lecture/écriture
Excel.
smtplib : envoi d’e-mails automatisés.
Flask/Django : développement web.
TensorFlow / scikit-learn : IA et machine
learning.
Ces bibliothèques se téléchargent avec pip
install nom_du_package.
Bases du langage
Syntaxe et exécution
Les instructions se lisent de haut en bas.
Les blocs sont définis par indentation
(espaces).
Exemple :
Variables et types
Types de base : int, float, str, bool.
Affectation : x = 42 (pas de type explicite
nécessaire).
Conversion : int("5"), str(10).
Opérateurs
Arithmétiques : + - * / // % **
Logiques : and, or, not
Structures de contrôle :
Boucles :
Fonctions :
Arguments par défaut, paramètres nommés,
retour multiple : return x, y.
Collections
list : ordonnée, modifiable → [1,2,3]
tuple : immuable → (1,2)
dict : clé/valeur → {"nom": "Alice"}
set : ensemble unique → {1,2,3}
Analyse de données
avec Pandas
Chargement & inspection :
Nettoyage
Supprimer valeurs manquantes : [Link]()
Remplacer : [Link](0)
Sélection
Colonnes : df["col"]
Lignes : [Link][0] (par label), [Link][0] (par
index)
Transformations
GroupBy : [Link]("cat").mean()
Fusion : [Link](df1, df2, on="id")
Tri : df.sort_values("col")
Calcul scientifique
avec NumPy
Opérations vectorisées : a * 2, [Link]()
Matrices : [Link](a,b), [Link](matrix)
Visualisation avec
Matplotlib
Barres : [Link](categories, valeurs)
Histogramme : [Link](data, bins=20)
Automatisation
Fichiers
Excel
E-mails
Web scraping
Astuces & Bonnes
pratiques
List comprehension : [x**2 for x in
range(10)]
f-strings : f"Résultat : {valeur:.2f}"
Gestion d’erreurs :
Environnements virtuels :
Jupyter Notebook : idéal pour tests et
visualisation rapide.
Annexes pratiques
Commandes terminal
pip list : voir les packages installés
python [Link] : exécuter un fichier
Raccourcis fréquents
VS Code : Ctrl+Shift+P ouvre la palette
de commandes.
Jupyter : Shift+Enter exécute une
cellule.
Ressources officielles
Documentation Python :
[Link]
Pandas : [Link]
NumPy : [Link]
Conclusion
Ce Quicksheet rassemble les bases
incontournables pour :
Développer rapidement en Python.
Analyser et visualiser des données.
Automatiser des tâches du quotidien ou
des projets financiers.
À imprimer, annoter, et garder à portée de
main pour vos projets pros, académiques ou
personnels.
Astuce : personnalise ce document en
ajoutant tes propres snippets ou fonctions
récurrentes (connexion API, calculs financiers,
etc.) pour en faire ton véritable “manuel de
poche” Python.
Merci pour la
lecture