Développeurs souhaitant mettre en valeur les données scientifiques avec un support visuel, Data analysts, Data scientists.
Avoir suivi la formation "Python Initiation" ou avoir un niveau équivalent et avoir une pratique régulière du langage Python
|
| Visualisation de données |
Contexte de la visualisation de données scientifiques et pièges à éviter
Concepts essentiels de la communication visuelle (couleurs, taille, forme, type de graphique, ...)
Architecture de présentation des données (DPA)
La valorisation des données. Les indicateurs de performance clés (KPI).
Objectifs et règles de conception : clarté, pertinence, cohérence, stimulation.
Principes de perceptions des informations.
Types de visualisation de base : graphiques linéaires, diagrammes en secteurs, cartes de zone, frise
chronologique, diagrammes de dispersion, arbres, pyramides des populations
Types évolués : infographie, nuages de bulles, graphiques à puces, cartes de chaleur, graphiques de séries
chronologiquesAtelier : mise en évidence de la pertinence du type de graphiques : comparaison camemberts, barres, chandeliers japonais, ...
|
|
| Personnalisation des graphes avec Matplotlib |
Fonctionnement de matplotlib : les backends, graphiques interactifs, polices, gestion des évènements,
performances.
Exploration du package pour créer des graphes sur différents types de données (qualitatives, quantitatives,
séries temporelles, 3 dimensions)
Affiner et compléter les graphes (échelle, valeurs aberrrantes, barres d'erreur, etc ..)
Les types : bar, scatter, plot, boxplot, fill_between, imshow, tricontour, quiver
Personnalisation de graphes (légende, points remarquables avec flèche et texte en LateX dans le graphe,
modification du style de graphe)Atelier : création de graphiques personnalisés. Utilisation des styles Matplotlib
Atelier : détection d'anomalie par l'utilisation d'animations
|
|
| Packages spécialisés |
Transformer des données avec Pandas (calculs d'agrégats, traitement des valeurs manquantes ou
incohérentes, gestion des dates, etc ...Atelier : nettoyage, préparation et regroupement de données de
températures. Mise en oeuvre des bfill, ffill, ... Gestion des nan.
Gestion des données temporelles. Préparation des données pour
visualisation.
Le package Seaborn pour les données statistiques (box plot, pair plot, violin plot, matrices de graphiques,
cartes thermiques, etc ...)Atelier : installation du paquet et création d'une carte thermique sur les données précédentes.
Cartographie (package cartopy et/ou Folium)Atelier : ajout d'une planisphère sur la carte thermique précédente. Visualisation des points chauds de la planère en fonction des années.
|
|
| Interactivité et gros volumes de données |
Création de dashboards simples (graphes et boutons simples permettant l'action de l'utilisateur)
Dashboards interactifs et partageables (par exemple, lien avec un notebook IPython ou Jupyter)
Création de graphiques web interactifs avec le package Bokeh, Plotty ...
Les apis BokehAtelier : mise en oeuvre de Bokeh. Création d'un graphique interactif reliant les isothermes de la carte précédente
Visualisation dans un navigateur.
Passage à l'échelle, présentation de l'écosystème HoloViz : datashader, geoviews, panel.
Gros volume de données avec datashader ou holoViz.Atelier : intégration de données vents, visibilité au graphique précédent.
Mise en évidence de la tenue à la charge.
|
Téléchargez le programme) :
