Formation Visualisation avancée de données avec 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
• chronologiques
• Atelier : 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 Bokeh
• Atelier : mise en oeuvre de Bokeh. Création d'un graphique interactif reliant les isothermes de la carte précédente
• Visualisation dans un navigateur.
• Paasage 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.