Ctrl+K

Démarche de modélisation

Démarche de modélisation#

Dictionnaires#

  • Un dictionnaire est une collection de paires clé-valeur qui sont accessibles via leur clé, ils se ressemblent à une liste grâce à qu’ils sont capables d’stocker n’importe quel type de valeur.

{
    "key" : "valeur"
}

Par exemple si on veut trouver la valeur associé, dans un dictionnaire de pays et capitals:

europe = { "france" : "paris" }

print(europe["france"]) # "paris"

On peut utiliser la méthode capitalize pour changer la valeur:

print(europe["france"].capitalize()) # "Paris"

Pour verifier s’il y a une clé dans le dictionnaire.

'france' in europe # True

Pour enlever une clé il faut utiliser del

del(europe["france"])

Dataframes#

L’objet est similaire à une excel. Pour créer un Pandas DataFrame:

import pandas as pd

data = { .. }

df = pd.dataframe(data)

Quelques attributs importantes:

ndim : nombre de dimensions # ex: 2 shape: nombre d’éléments dans chaque dimension # ex: (27, 4) size : nombre total d’éléments # 108

Deux méthodes pour afficher les premières ou dernières lignes de notre tableau.

df.head(n = 2) # montre deux premières lignes 
df.head(n = 3) # montre trois dernières lignes

L’objet Series sur pandas est liée à chacune des clés présents dans le dataframe df. Alors, si on veut extraire une colonne du dataframe, il suffit d’écrire: col_pays = df['pays'], avec pays comme un clé dans le dataframe. Ainsi, on peut accéder à la valeur de la “Series” col_pays[23] comme si c’est une liste ou un numpy.array.

On doit utiliser .loc[] pour accéder à une ligne de df, exemple:

df.loc[23]

Pour savoir les étiquettes des lignes : df.index Pour savoir les noms de columns : df.columns

Pour extraire des info dans une colonne par exemple: df.loc[1:4, 'capitale']. Il existe aussi iloc[], .at[] et .iat[].

On peut utiliser .append() pour ajouter des colonnes dans le tableau. Il faut bien vérifier l’structure avant d’y mettre. Par exemple l’attribut name donne l’ID ou le nom de colonne.

Pour suprimmer, il faut utiliser .drop(). Comme par exemple, si on envie de suprimmer la ligne 20: df.drop([20])

N’oublier qu’on peut faire des calculs arithmétiques comme .sum() et d’autres.

Pour sauvegarder un dataframe avec les mêmes propiétés qu’on a:

# Sauvegarde d'un DataFrame dans un fichier pickle
df.to_pickle('fichier.pkl')

# Lecture du fichier pickle
df_file = pd.read_pickle('./fichier.pkl')

Opérateurs de comparaison#

les booléens#

On a des expressions booléenes: c’est à dire, elles sont vraies ou fausses.

print(5 == 5) # True

# ou

print(2 == 4) # False

Opérateurs#

== !=

Par exemple print(15 == 15.0) c’est True même si ce sont deux types de données.

> et >= < et <=

Par exemple : print(2 < 5. <= 10) c’est True.

On peut aussi comparer avec les listes

my_liste = np.array([1,2,3,4])

print(A > 5) # True

Chaque element doit être plus petite que 5 pour que la condition soit True.

Opérateurs logiques#

and

x = 11
x > 10 and x <= 14 # True

Avec Numpy il faut utiliser: logical_and(bool1, bool2). Le sorti c’est aussi un tableau numpy

or

n = 12
n % 5 == 0 or n % 6 == 0 # True

Avec Numpy il faut utiliser: logical_or(bool1, bool2)

not

x = 2.
y = 3

not x > y # True

Avec Numpy il faut utiliser: logical_not(bool)

NOTE

Dans numpy on utilise des fois all() si tous sont vrais ou any() si au moins un élément es vrai.

Conditionnelles#


if:
 # code
elif:
 # code
else:
 # code

Pour filtrer un tableau Numpy: A[condition] avec A comme un tableau Numpy.

Pour filtrer dans un Dataframe: df[condition] avec condition = A > 10

Dans pandas on utilise les opérateurs logiques comme: & pour “and”, | pour “or”, et ~ pour “not”.

Contents