Formation
90 min de lecture
Manipulation de données avec Pandas
📦 Filtrage et sélection avec Pandas
Objectifs d'apprentissage
🎯 Objectifs :\n
1Sélectionner des colonnes\n2. Filtrer des lignes avec conditions\n3. Utiliser loc et iloc\n4. Trier les données
Introduction
📖 La sélection et le filtrage des données sont essentiels en analyse de données.
Contenu théorique
Sélection et filtrage :\n
PYTHON
\n# Sélection d'une colonne\ndf["colonne"]\ndf.colonne\n\n# Sélection de lignes\ndf.loc[0] # Par index\ndf.iloc[0] # Par position\n\n# Filtrage\ndf[df["age"] > 25]\ndf[(df["age"] > 25) & (df["ville"] == "Paris")]\n\n# Tri\ndf.sort_values("age", ascending=False)\nExemples pratiques
💻 Exemple : Analyse de ventes\n
PYTHON
\nimport pandas as pd\n\nventes = pd.DataFrame({\n "produit": ["A", "B", "C", "D", "E"],\n "ventes": [100, 250, 150, 300, 200],\n "region": ["Nord", "Sud", "Est", "Ouest", "Nord"]\n})\n\n# Produits avec ventes > 200\ntop_produits = ventes[ventes["ventes"] > 200]\nprint("Produits avec ventes > 200 :")\nprint(top_produits)\n\n# Ventes par région Nord\nnord = ventes[ventes["region"] == "Nord"]\nprint("\\nVentes région Nord :")\nprint(nord)\n\n# Tri par ventes décroissantes\ntrie = ventes.sort_values("ventes", ascending=False)\nprint("\\nTrié par ventes :")\nprint(trie)\nBonnes pratiques
1Utiliser loc pour labels\n✅ 2. Utiliser iloc pour positions\n✅ 3. Utiliser & pour ET, | pour OU\n✅ 4. Copier avant de modifier
Pièges à éviter
Modifier une vue au lieu d'une copie\n
Utiliser .copy() pour créer une copie
Résumé
df["col"] : sélection colonne\n✅ df[condition] : filtrage\n✅ df.loc[] : sélection par label\n✅ df.iloc[] : sélection par position\n✅ df.sort_values() : tri
Ressources supplémentaires
📚 pandas.pydata.org/docs/user_guide/indexing.html