Fondamentaux des Series et DataFrame
Créez et inspectez des structures de données Pandas provenant de différentes sources.
Fondamentaux des Series et DataFrame est une leçon Python Academy gratuite sur CoddyKit. Ceci est la leçon 1 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Python Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Python Academy comprend 4 leçons au total.
Qu’est-ce que Pandas ?
Pandas fournit des objets Series (tableaux étiquetés à une dimension) et DataFrame (tableaux étiquetés à deux dimensions) construits sur NumPy et optimisés pour l’analyse de données.
import pandas as pd
s = pd.Series([10, 20, 30], index=["a","b","c"])
print(s)
# a 10
# b 20
# c 30Créer une Series
Créez une Series à partir d’une liste, d’un dictionnaire ou d’un scalaire. Par défaut, l’index utilise des entiers commençant à zéro.
import pandas as pd
# From list:
s1 = pd.Series([1, 2, 3])
# From dict (keys become index):
s2 = pd.Series({"x": 10, "y": 20})
# Scalar (broadcast):
s3 = pd.Series(5, index=range(4))
print(s3) # 0 5 / 1 5 / 2 5 / 3 5Créer un DataFrame
Créez un DataFrame à partir d’un dictionnaire de listes, d’une liste de dictionnaires ou d’un tableau NumPy.
import pandas as pd
df = pd.DataFrame({
"name": ["Alice","Bob","Carol"],
"age": [30, 25, 35],
"score":[95.5, 87.0, 92.3]
})
print(df)Inspection de base
head(), tail(), shape, dtypes, info(), describe() : vos premières étapes avec tout nouvel ensemble de données.
import pandas as pd
df = pd.read_csv("data.csv")
print(df.head()) # first 5 rows
print(df.shape) # (rows, cols)
print(df.dtypes) # column types
print(df.describe()) # count, mean, std, min...Accéder aux colonnes
Accédez à une colonne avec la notation pointée ou avec des crochets. La notation pointée échoue lorsque les noms de colonnes contiennent des espaces ou entrent en conflit avec des attributs de DataFrame.
import pandas as pd
df = pd.DataFrame({"age":[30,25], "city":["NY","LA"]})
print(df["age"]) # preferred
print(df.age) # also works if name is simple
print(df[["age","city"]]) # multiple columnsNotions de base de l’index
L’index étiquette les lignes. Par défaut, il vaut 0, 1, 2… mais vous pouvez lui attribuer n’importe quelles valeurs hachables.
import pandas as pd
df = pd.DataFrame({"val":[10,20,30]}, index=["a","b","c"])
print(df.loc["b"]) # row with label b
print(df.index) # Index(['a','b','c'])
# Reset to default integer index:
df.reset_index(drop=True, inplace=True)Ajouter et supprimer des colonnes
Affectez une valeur à une nouvelle clé pour ajouter une colonne. Utilisez drop() pour en supprimer une.
import pandas as pd
df = pd.DataFrame({"a":[1,2,3],"b":[4,5,6]})
df["c"] = df["a"] + df["b"] # new column
df.drop(columns=["b"], inplace=True)
print(df)Alignement des Series
Lorsque vous combinez des Series, Pandas les aligne selon l’index. Les correspondances manquantes produisent des valeurs NaN.
import pandas as pd
s1 = pd.Series([1,2,3], index=["a","b","c"])
s2 = pd.Series([10,20], index=["b","c"])
print(s1 + s2)
# a NaN
# b 12.0
# c 23.0to_dict et to_list
Convertissez un DataFrame ou une Series en structures Python standard pour l’exportation ou l’inspection.
import pandas as pd
df = pd.DataFrame({"x":[1,2],"y":[3,4]})
print(df.to_dict("records"))
# [{'x': 1, 'y': 3}, {'x': 2, 'y': 4}]
print(df["x"].to_list())
# [1, 2]Lecture de fichiers
Pandas lit directement les fichiers CSV, Excel, JSON, Parquet et SQL dans des DataFrames.
import pandas as pd
df_csv = pd.read_csv("data.csv")
df_excel = pd.read_excel("data.xlsx", sheet_name="Sheet1")
df_json = pd.read_json("data.json")
df_parq = pd.read_parquet("data.parquet")
# pd.read_sql("SELECT * FROM table", conn)Écriture de fichiers
Exportez des DataFrames aux formats CSV, Excel, JSON et Parquet.
import pandas as pd
df = pd.DataFrame({"a":[1,2],"b":[3,4]})
df.to_csv("out.csv", index=False)
df.to_json("out.json", orient="records")
df.to_parquet("out.parquet")Vérification rapide
Que renvoie df.describe() ?
Récapitulatif
Une Series est un tableau unidimensionnel étiqueté ; un DataFrame est un tableau bidimensionnel étiqueté. Accédez aux colonnes avec df["col"]. Utilisez head(), describe() et info() pour une inspection rapide. Lisez et écrivez des fichiers CSV, Excel, JSON et Parquet avec les fonctions intégrées.
Questions Fréquemment Posées
La leçon « Fondamentaux des Series et DataFrame » est-elle gratuite ?
Oui — le texte complet de « Fondamentaux des Series et DataFrame » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Python Academy, passe à CoddyKit PRO. Le cours Python Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Fondamentaux des Series et DataFrame » ?
Créez et inspectez des structures de données Pandas provenant de différentes sources. Tu pratiques Python Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Python Academy ?
Aucune expérience préalable n'est requise. Python Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 1 sur 4.
Combien de temps prend la leçon « Fondamentaux des Series et DataFrame » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Python Academy ?
Oui. Chaque leçon Python Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Fondamentaux des Series et DataFrame
- Indexation, filtrage et masques booléens
- GroupBy, agrégation et tableaux croisés dynamiques
- Fusion, jointure et nettoyage des données