Analyser et représenter graphiquement des données avec Python
La manipulation de données par l’utilisation de la librairie Pandas
Structures de données pour l'analyse : Dataframe vs autres
Gestion des indexs
Gestion des données manquantes
Fusion de dataframes
Manipulationdes formats de dates
Mesures statistiques variées sur les DataFrames
Métriques d’analyse
Visualisation des données
Génération de graphes (Matplotlib)
Atelier : Intégration de données tabulaires, analyses statistiques et visualisation de graphiques
Capturer des données externes
Lecture et écriture de fichiers divers
Gestion de formats structurés : CSV, XML, JSON
Utilisation de structures/classes Python et bibliothèques de parsing
Download de données distantes
Interrogation de services web REST
Atelier : Récupération et parsing de données externes, mapping avec des objets
Analyser des données financières
Analyse financière : concepts de base
Panorama des bibliothèques Python : NumPy, SciPy, IPython (Jupyter)
Calcul matriciel (Numpy)
Statistiques Descriptives (SciPy)
Comparaison de populations, mesures d’association (SciPy)
Atelier : Collecte et analyse de données financères, représentation de résultats
Intégrer du multi-tâches dans l'analyse
Multi-threading et parallélisme
Profiling avec Timeit, cProfile
Calcul distribué (Celery)
Atelier : Implémentation d'un calcul distribué
