1. A propos du cours

1. Auteur : Emmanuel Schwander
2. Type : TP/Travaux pratiques
3. Langue : Français
4. Licence : Cours universitaire - ISIR/UPMC

2. Courte description du cours

TP pratique sur SQLite et Python pour le M2 STAT GDAI. Couvre la création de bases de données, les requêtes SQL avancées, l'analyse de données avec Pandas et la visualisation avec Matplotlib. Approche orientée projets concrets.

3. Longue description du cours

Ce travaux pratiques complet s'adresse aux étudiants de Master 2 STAT GDAI et propose une approche pratique de l'intégration entre SQLite et Python pour l'analyse de données. Le document débute par une prise en main de SQLite en ligne de commande, couvrant la création de bases de données, de tables, et l'exécution de requêtes SQL fondamentales.

Le TP se concentre ensuite sur l'utilisation de Python pour interagir avec les bases de données SQLite via le module intégré sqlite3. Les étudiants apprennent à établir des connexions, créer des curseurs, et exécuter des requêtes SQL complexes incluant des jointures, des sous-requêtes et des agrégations. Une attention particulière est portée aux bonnes pratiques de programmation et à la gestion des transactions.

Une partie significative du cours est dédiée à l'intégration avec Pandas, la bibliothèque d'analyse de données de Python. Les apprenants découvrent comment charger des données depuis SQLite directement dans des DataFrames Pandas, permettant ainsi des analyses statistiques avancées et des manipulations de données efficaces. Le TP aborde également la visualisation des résultats à l'aide de Matplotlib, avec la création de graphiques et de représentations visuelles à partir des données extraites.

Le document inclut des exercices pratiques progressifs qui guident les étudiants dans la réalisation d'un projet d'analyse complet. Ces cas concrets permettent de mettre en œuvre l'ensemble des concepts abordés, depuis l'extraction des données brutes jusqu'à la génération de rapports analytiques. L'accent est mis sur les workflows typiques rencontrés en science des données et en analyse business.

Cette approche pédagogique combine ainsi les forces du langage SQL pour l'extraction et la préparation des données, et de Python pour l'analyse statistique et la visualisation, formant les étudiants aux compétences essentielles du domaine de la data science.

Voir ou télécharger le document sur le site d'origine

Ce document est hébergé par une source externe. Nous ne revendiquons aucun droit sur son contenu. Pour toute demande de retrait, veuillez contacter l'auteur ou l'hébergeur officiel.