Premier contact avec un jeu de données

L’analyse exploratoire des données (EDA, exploratory data analysis) consiste à comprendre un jeu de données avant de le modéliser ou d’en tirer des conclusions : sa structure, sa qualité, ses distributions et ses relations. C’est l’étape où l’on découvre les pièges… et les premières pistes.

Commencer par les questions et le grain

Avant de coder, deux questions :

1. Que veut-on savoir ? « Quelles régions et catégories portent le chiffre d’affaires ? Y a-t-il une saisonnalité ? »
2. Que représente une ligne ? Une commande, une ligne de commande, un client, un jour ? Ce grain conditionne tous les calculs : sommer des montants de lignes de commande n’a pas le même sens que compter des commandes.

La revue de base

import pandas as pd

ventes = pd.DataFrame({
    "commande_id": [101, 102, 103, 104],
    "date": ["2026-01-03", "2026-01-04", "2026-01-04", "2026-01-10"],
    "region": ["Nord", "Sud", "Nord", "Est"],
    "quantite": [2, 1, 3, 1],
    "montant": ["39,90", "12,50", "59,85", "24,00"],   # virgule décimale : lu comme texte
})

print(ventes.shape)        # (4, 5) : 4 lignes, 5 colonnes
print(ventes.head())       # aperçu des premières lignes
print(ventes.dtypes)       # type de chaque colonne
ventes.info()              # types, valeurs non nulles, mémoire
print(ventes.describe())   # statistiques des colonnes numériques
print(ventes.nunique())    # nombre de valeurs distinctes par colonne

Lecture attentive des résultats :

• montant est de type str : la virgule décimale l’a empêché d’être lu comme un nombre. Depuis pandas 3, le texte a par défaut le type str (auparavant object).
• date est aussi du texte : impossible de trier ou grouper par mois correctement.
• commande_id est numérique, mais c’est un identifiant : sa moyenne dans describe() n’a aucun sens. Vérifier nunique() == nombre de lignes confirme qu’il identifie bien chaque ligne.

Corriger les types

ventes["montant"] = pd.to_numeric(ventes["montant"].str.replace(",", ".", regex=False))
ventes["date"] = pd.to_datetime(ventes["date"], errors="coerce")
print(ventes.dtypes)   # montant float64, date datetime64

errors="coerce" transforme les valeurs impossibles à convertir en valeurs manquantes (NaT pour les dates) au lieu de lever une erreur. Contrôle toujours combien de valeurs ont été perdues :

print(ventes["date"].isna().sum())

Sélectionner par type

numeriques = ventes.select_dtypes(include="number").columns.tolist()
autres = ventes.select_dtypes(exclude="number").columns.tolist()
print(ventes.describe(include="all"))   # résumé de toutes les colonnes

Noter ses observations

Garde une liste au fil de l’eau : « montant importé en texte », « 3 régions seulement », « période de janvier à mars ». Ce journal deviendra la base de ta synthèse finale.

À retenir

• Questions métier et grain d’abord.
• shape, dtypes, info, describe, nunique : le profil de départ.
• Corrige les types, puis vérifie les valeurs perdues à la conversion.