pandas — DataFrames et manipulation de données

Section 11.2.8 : pandas — DataFrames et manipulation de données

🎯 Objectif pédagogique

Maîtriser les DataFrames pandas pour charger, explorer et manipuler des données tabulaires. Vous serez capable de travailler avec des données structurées de manière aussi naturelle qu'avec un tableur — mais avec la puissance du code.

pandas — L'Excel du développeur

Marc a passé des années sur Excel. pandas est la réponse à toutes ses frustrations : pas de limite de lignes (Excel : 1M), pas de bugs de formules, reproductible, versionnable, et 100x plus rapide.

Créer un DataFrame

import pandas as pd

# Depuis un dictionnaire
data = \{
    'company': ['Google', 'Meta', 'Stripe', 'Datadog', 'Mistral AI'],
    'position': ['Frontend', 'React Dev', 'Full-Stack', 'Python Dev', 'ML Engineer'],
    'status': ['interview', 'applied', 'offer', 'rejected', 'applied'],
    'salary': [75000, 80000, 70000, 65000, 90000],
    'date': ['2026-03-01', '2026-03-05', '2026-02-15', '2026-02-01', '2026-03-15']
\}
df = pd.DataFrame(data)
print(df)

Résultat :

     company     position    status  salary        date
0     Google     Frontend  interview  75000  2026-03-01
1       Meta    React Dev    applied  80000  2026-03-05
2     Stripe   Full-Stack      offer  70000  2026-02-15
3    Datadog   Python Dev   rejected  65000  2026-02-01
4  Mistral AI  ML Engineer    applied  90000  2026-03-15

Explorer les données

df.head()              # 5 premières lignes
df.tail(3)             # 3 dernières lignes
df.shape               # (5, 5) = 5 lignes, 5 colonnes
df.dtypes              # Types de chaque colonne
df.info()              # Résumé complet (types, nulls, mémoire)
df.describe()          # Statistiques numériques (mean, std, min, max)
df.columns             # Noms des colonnes
df.values              # Array NumPy sous-jacent

Sélectionner des données

# Une colonne (→ Series)
df['company']
df.company               # Notation point (si pas d'espace dans le nom)

# Plusieurs colonnes (→ DataFrame)
df[['company', 'salary']]

# Lignes par index
df.iloc[0]              # Première ligne (par position)
df.iloc[1:3]            # Lignes 2 et 3
df.loc[0]               # Première ligne (par label)

# Cellule spécifique
df.iloc[0, 3]           # Ligne 0, colonne 3 → 75000
df.at[0, 'salary']      # Plus rapide pour une cellule

Filtrer les données

# Filtre simple
interviews = df[df['status'] == 'interview']
print(interviews)

# Salaire > 70k
high_salary = df[df['salary'] > 70000]

# Conditions multiples (& = AND, | = OR)
good_options = df[(df['salary'] > 70000) & (df['status'] != 'rejected')]

# .query() — syntaxe plus lisible
good_options = df.query("salary > 70000 and status != 'rejected'")

# .isin() — équivalent de IN en SQL
active = df[df['status'].isin(['applied', 'interview'])]

# Recherche texte
google = df[df['company'].str.contains('Google', case=False)]

Ajouter et modifier des colonnes

# Nouvelle colonne calculée
df['monthly_salary'] = df['salary'] / 12

# Colonne conditionnelle
df['is_good'] = df['salary'] > 70000

# apply() — transformation personnalisée
def categorize_salary(s):
    if s >= 80000: return 'excellent'
    if s >= 60000: return 'bon'
    return 'moyen'

df['salary_category'] = df['salary'].apply(categorize_salary)

# Convertir les dates
df['date'] = pd.to_datetime(df['date'])
df['month'] = df['date'].dt.month
df['day_of_week'] = df['date'].dt.day_name()

Trier et agréger

# Trier
df.sort_values('salary', ascending=False)
df.sort_values(['status', 'salary'], ascending=[True, False])

# Agréger (comme GROUP BY en SQL)
df.groupby('status')['salary'].mean()
# status
# applied      85000.0
# interview    75000.0
# offer        70000.0
# rejected     65000.0

# Agrégation multiple
df.groupby('status').agg(
    count=('company', 'count'),
    avg_salary=('salary', 'mean'),
    max_salary=('salary', 'max')
)

🏋️ Exercice pratique (25 minutes)

import pandas as pd

# Charger depuis un CSV (créez d'abord le fichier ou utilisez le dict ci-dessus)
df = pd.DataFrame(\{
    'company': ['Google','Meta','Stripe','Datadog','Mistral AI','OVH','Vercel','BNP','Doctolib','Alan'],
    'position': ['Frontend','React','Full-Stack','Python','ML','DevOps','Frontend','Data','Backend','Full-Stack'],
    'status': ['interview','applied','offer','rejected','applied','applied','interview','interview','applied','offer'],
    'salary': [75000,80000,70000,65000,90000,45000,85000,55000,60000,72000],
    'date': pd.to_datetime(['2026-03-01','2026-03-05','2026-02-15','2026-02-01','2026-03-15',
                            '2026-03-10','2026-03-12','2026-02-20','2026-03-08','2026-01-20'])
\})

# Exercices :
# 1. Combien de candidatures par statut ?
# 2. Salaire moyen des candidatures en entretien vs les offres
# 3. Quelles entreprises proposent > 80k ?
# 4. Ajoutez une colonne 'quarter' basée sur la date
# 5. Top 3 des salaires les plus élevés