Visualiser des données avec Matplotlib et Seaborn

Un tableau de nombres cache souvent une structure qu’un graphique révèle instantanément. Deux bibliothèques suffisent pour l’essentiel des besoins de ce cours.

Matplotlib : la brique de base

Matplotlib est la bibliothèque de visualisation historique de Python — verbeuse, mais universelle : toute autre bibliothèque de graphiques en Python (dont Seaborn) s’appuie dessus ou l’imite.

import matplotlib.pyplot as plt
import numpy as np

jours = np.arange(1, 8)
ventes = np.array([120, 95, 140, 110, 205, 155, 215])

fig, ax = plt.subplots()
ax.plot(jours, ventes, marker="o")
ax.set_xlabel("Jour")
ax.set_ylabel("Ventes (€)")
ax.set_title("Ventes de la semaine")
plt.savefig("ventes_semaine.png")

Le motif fig, ax = plt.subplots() revient dans presque tout ce cours : fig représente la figure entière (utile pour l’enregistrer ou gérer plusieurs sous-graphiques), ax représente les axes sur lesquels on dessine réellement.

Seaborn : des graphiques statistiques prêts à l’emploi

Seaborn ajoute un vocabulaire de plus haut niveau, pensé pour l’exploration statistique, avec un style visuel plus soigné par défaut.

import seaborn as sns
import pandas as pd

np.random.seed(0)
notes = np.random.normal(loc=13, scale=2.5, size=200)
df_notes = pd.DataFrame({"note": notes})

fig, ax = plt.subplots()
sns.histplot(df_notes["note"], bins=20, kde=True, ax=ax)
ax.set_title("Distribution des notes")
plt.savefig("distribution_notes.png")

print("moyenne:", round(notes.mean(), 2), "ecart-type:", round(notes.std(), 2))

moyenne: 13.18 ecart-type: 2.55

histplot(..., kde=True) superpose à l’histogramme une estimation lissée de la densité (Kernel Density Estimate) — utile pour juger d’un coup d’œil si une distribution ressemble à une gaussienne, une question qui reviendra dès le module 1 (métriques d’évaluation) et au module 8 (résidus d’un modèle de série temporelle).

Quel outil pour quel besoin ?

Besoin	Outil
Un graphique simple et contrôlé précisément (ligne, barres, nuage de points)	Matplotlib
Explorer rapidement une distribution, une corrélation, un groupe	Seaborn
Un graphique directement à partir d’un DataFrame (df.plot(...))	pandas (qui délègue à Matplotlib en coulisse)

Ce dernier cas (DataFrame.plot()) a déjà été utilisé au module 2, pour restituer une requête SQL sous forme de graphique en une seule ligne.

Prochaine étape

👉 Le vocabulaire commun de scikit-learn

---

Junior TSAFACK – 12/09/2026