Tutoriel : Python pour la data science, le guide du débutant

Pourquoi Python ?

Python est devenu le langage n°1 de la data science : lisible, puissant et doté d'un écosystème immense (pandas, NumPy, scikit-learn, TensorFlow). Que vous vouliez analyser des données commerciales ou entraîner un modèle d'IA, tout commence ici.

1. Installation

# Téléchargez Python 3.12+ sur python.org
# Puis installez les bibliothèques essentielles :
pip install numpy pandas matplotlib jupyter scikit-learn

2. Votre premier notebook

Lancez jupyter notebook dans votre terminal et créez une cellule :

import pandas as pd
import numpy as np

# Créons un jeu de données fictif de ventes
ventes = pd.DataFrame({
    'ville': ['Douala', 'Yaoundé', 'Bafoussam', 'Garoua'] * 3,
    'mois': ['Jan', 'Fév', 'Mar'] * 4,
    'montant': np.random.randint(100000, 900000, size=12)
})
print(ventes)

3. Analyser les données

# Chiffre d'affaires par ville
ca_ville = ventes.groupby('ville')['montant'].sum().sort_values(ascending=False)
print("=== CA par ville ===")
print(ca_ville)

# La ville la plus performante
print("\nMeilleure ville :", ca_ville.idxmax())

4. Visualiser

import matplotlib.pyplot as plt

ca_ville.plot(kind='bar', color='#10b981')
plt.title("Chiffre d'affaires par ville (FCFA)")
plt.ylabel("Montant")
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

5. Premier modèle de machine learning

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

# Données : surface en m² -> prix de location à Douala
X = [[25], [40], [60], [80], [100], [130], [150]]
y = [80000, 120000, 180000, 240000, 300000, 390000, 450000]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
modele = LinearRegression().fit(X_train, y_train)
print("Prédiction pour 70 m² :", round(modele.predict([[70]])[0]), "FCFA")

Les prochaines étapes

1. Maîtrisez pandas : c'est l'outil de manipulation de données par excellence.
2. Apprenez la statistique descriptive avant le machine learning.
3. Entraînez-vous sur des données réelles : Kaggle regorge de jeux de données africains.
4. Explorez scikit-learn pour la classification et la régression.

La data science s'apprend par la pratique : trouvez un problème réel autour de vous (prix des loyers, ventes d'un commerce) et analysez-le.

Bon courage, et n'hésitez pas à partager vos projets dans les commentaires ! 🐍