pandas : manipuler des tables de données

Là où NumPy manipule des tableaux de nombres, pandas manipule des tables étiquetées : chaque colonne a un nom, chaque ligne peut avoir un index explicite. C’est l’outil que vous utiliserez pour 80 % du travail de préparation de données de ce cours.

Créer un DataFrame

import pandas as pd

ventes = pd.DataFrame({
    "date": pd.to_datetime([
        "2026-06-01", "2026-06-01", "2026-06-02", "2026-06-02",
        "2026-06-03", "2026-06-03", "2026-06-04",
    ]),
    "region": ["Nord", "Sud", "Nord", "Sud", "Nord", "Sud", "Nord"],
    "produit": ["A", "B", "A", "A", "B", "B", "A"],
    "montant": [120.0, 85.0, 95.0, 60.0, 140.0, 75.0, 110.0],
})
print(ventes)

        date region produit  montant
0 2026-06-01   Nord       A    120.0
1 2026-06-01    Sud       B     85.0
2 2026-06-02   Nord       A     95.0
3 2026-06-02    Sud       A     60.0
4 2026-06-03   Nord       B    140.0
5 2026-06-03    Sud       B     75.0
6 2026-06-04   Nord       A    110.0

pd.to_datetime convertit des chaînes de caractères en un type date exploitable (indispensable dès qu’on trie ou groupe par période — voir le module 8 sur les séries temporelles).

Filtrer

Le filtrage pandas reprend directement l’indexation booléenne de NumPy, appliquée aux lignes d’une table :

print(ventes[ventes["region"] == "Nord"])
print(ventes[ventes["montant"] > 100])

        date region produit  montant
0 2026-06-01   Nord       A    120.0
2 2026-06-02   Nord       A     95.0
4 2026-06-03   Nord       B    140.0
6 2026-06-04   Nord       A    110.0

groupby : l’opération la plus utilisée en data science

groupby répond à des questions du type « pour chaque valeur de X, calcule Y » :

par_region = ventes.groupby("region")["montant"].agg(["sum", "mean", "count"])
print(par_region)

          sum        mean  count
region
Nord    465.0  116.250000      4
Sud     220.0   73.333333      3

On peut grouper par plusieurs colonnes à la fois :

print(ventes.groupby(["region", "produit"])["montant"].sum())

region  produit
Nord    A          325.0
        B          140.0
Sud     A           60.0
        B          160.0
Name: montant, dtype: float64

Séries temporelles : une première moyenne mobile

ventes_par_jour = ventes.groupby("date")["montant"].sum()
print(ventes_par_jour.rolling(2).mean())

date
2026-06-01      NaN
2026-06-02    180.0
2026-06-03    185.0
2026-06-04    162.5
Name: montant, dtype: float64

rolling(2).mean() calcule, pour chaque jour, la moyenne glissante sur lui-même et le jour précédent — d’où le NaN pour le premier jour, qui n’a pas de jour antérieur. Cette notion de fenêtre glissante reviendra en détail au module 8.

Valeurs manquantes

print(ventes_incomplete.isna().sum())
ventes_nettoyee = ventes_incomplete.dropna(subset=["montant"])
print("lignes avant/après dropna:", len(ventes_incomplete), "->", len(ventes_nettoyee))

date       0
region     0
produit    0
montant    1
dtype: int64
lignes avant/après dropna: 7 -> 6

isna() repère les valeurs manquantes colonne par colonne ; dropna les élimine. Une alternative — remplacer plutôt que supprimer (fillna) — sera discutée quand elle s’applique réellement, au module 4.

Prochaine étape

👉 Visualiser des données avec Matplotlib et Seaborn

---

Junior TSAFACK – 12/09/2026