Exécuter pandas en ligne

Le DataFrame de pandas

Dans cette leçon, vous allez créer un DataFrame pandas à partir d'un dictionnaire et voir les données sous forme de tableau avec des lignes et des colonnes.

  • Intermédiaire
  • 2 min de lecture
  • 1 exemple exécutable

Introduction

Le problème

Les vraies données arrivent sous forme de tableaux : des élèves avec noms et notes, des ventes avec dates et montants. Avec des listes de listes, on perd les noms de colonnes, et un tableau NumPy n'accepte qu'un seul type. pandas vous donne un tableau dont les colonnes sont nommées et peuvent avoir des types différents.

Imaginez-le ainsi

Un DataFrame, c'est comme une feuille de tableur dans Python. Chaque colonne a un nom et contient un seul genre de valeur, chaque ligne est un enregistrement, et les numéros de ligne à gauche permettent de désigner n'importe quelle ligne.

Du tableur au code
pd.DataFrame({...})📊 Créer une feuille
"name": [...]🏷️ Une colonne appelée name
0, 1, 2🔢 Les étiquettes de lignes à gauche (l'index)
students["score"]📈 Prendre une colonne entière
Des colonnes nommées de types différents, des lignes étiquetées.
En une phrase

Un DataFrame pandas est un tableau à deux dimensions avec des colonnes étiquetées, qui peuvent contenir des types de données différents, et des lignes étiquetées, dont les étiquettes forment l'index.

Points clés

  1. pd.DataFrame({...}) transforme un dictionnaire en tableau : chaque clé devient une colonne.
  2. Chaque liste contient les valeurs d'une colonne ; toutes les listes doivent avoir la même longueur.
  3. Les étiquettes de lignes 0, 1 et 2 forment l'index, créé automatiquement.
  4. name contient du texte et score des nombres, dans le même tableau.

Quand l’utiliser ?

  • Travailler avec n'importe quel tableau : fichiers CSV et Excel, résultats de base de données, données de sondage.
  • Nettoyer, filtrer, regrouper et résumer des données.
  • Préparer des données pour des graphiques et l'apprentissage automatique.

Quand s'en passer

  • Une poignée de valeurs : une liste ou un dictionnaire est plus simple.
  • Les grilles purement numériques pour des calculs lourds : les tableaux NumPy sont plus légers et plus rapides.

Code d’exemple

Exécuter le code →
main.py
import pandas as pd

students = pd.DataFrame({
    "name": ["Ada", "Lin", "Sam"],
    "score": [95, 88, 91],
})

print(students)
Obtenir un bouton Run pour cet exemple

Résultat de l’exécution

name  score
0  Ada     95
1  Lin     88
2  Sam     91

Explication du code

Le DataFrame est créé à partir d'un dictionnaire où chaque clé devient le nom d'une colonne et la liste associée les données de cette colonne. Les listes doivent avoir la même longueur. À l'affichage, pandas ajoute automatiquement à gauche de chaque ligne un index qui commence à 0.

Modifiez les valeurs et exécutez le programme avec le compilateur Python en ligne CodeUtility, sans installation locale.

Exercices d’approfondissement

Essayez de modifier le code en suivant les pistes ci-dessous. Changer le code et observer le résultat vous fera bien mieux comprendre la leçon que la simple lecture.

  1. Ajoutez des lignes, des colonnes et quelques valeurs manquantes aux données d’exemple.
  2. Combinez filtrage, tri et groupby pour produire un petit rapport.
  3. Lisez un vrai fichier de données, vérifiez le type de chaque colonne et traitez les valeurs invalides.
Exécuter dans le compilateur Python →

Erreurs fréquentes

Colonnes de longueurs différentes

Chaque colonne doit avoir une valeur par ligne.

Problème
pd.DataFrame({"name": ["Ada", "Lin"], "score": [95]})  # ValueError
Correction
pd.DataFrame({"name": ["Ada", "Lin"], "score": [95, 88]})

Leçon terminée ?

Marquez-la comme apprise pour suivre votre progression.

S'entraîner avec un défi

Utilisez le contenu de cette leçon pour résoudre un vrai problème. Chaque défi s'exécute dans le navigateur, avec des tests instantanés et une revue par l'IA.

Tous les défis