菜单
Analyser, nettoyer et visualiser des données tabulaires avec Pandas, NumPy, Polars, Matplotlib et Seaborn pour l'exploration de données (EDA) en Python.
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/JohnNuwan/EVA_CORE --skill data-analysis-exploration命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
Concevoir et maintenir un watchdog auto-correcteur pour services HTTP — checks de santé, auto-restart, état persistant, rapports et pièges bash.
Serveur de messagerie sécurisé auto-hébergé (Signal-like) avec Flask + WebSocket + AES-256-GCM + pont EVA
ADAM-SENTINEL — Veilleur technologique 24h/24h. Scanne 10 domaines, cree des rapports, met a jour les skills, alerte sur les CVE et breaking changes.
基于 SOC 职业分类
正在显示 SKILL.md
| name | data-analysis-exploration |
| description | Analyser, nettoyer et visualiser des données tabulaires avec Pandas, NumPy, Polars, Matplotlib et Seaborn pour l'exploration de données (EDA) en Python. |
| version | 2.0.0 |
| author | EVA & communauté EVA |
| license | Privée EVA St-Étienne |
| platforms | ["linux","macos","windows"] |
| metadata | {"EVA":{"tags":["pandas","numpy","polars","matplotlib","seaborn","data-science","analyse-de-données","visualisation","python","EDA"],"homepage":"https://pandas.pydata.org/","related_skills":["jupyter-live-kernel","industrial-analytics-grafana","huggingface-hub"]}} |
| prerequisites | {"commands":["python3","pip"],"pip_packages":["pandas","numpy","polars","matplotlib","seaborn","pyarrow"]} |
L'analyse exploratoire de données (EDA — Exploratory Data Analysis) et le nettoyage sont les étapes fondamentales de tout projet de science des données, d'analyse industrielle ou d'intelligence artificielle. Cette compétence fournit un guide structuré pour manipuler des structures de données tabulaires avec Pandas, effectuer des calculs statistiques avec NumPy, traiter de grands volumes avec Polars (moteur en Rust, bien plus rapide que Pandas sur les fichiers volumineux), et produire des visualisations claires avec Matplotlib et Seaborn.
Chaque section présente des blocs de code prêts à l'emploi, accompagnés d'explications sur les bonnes pratiques, les pièges à éviter, et des conseils de performance.
Activez cette compétence lorsque l'utilisateur :
pip install pandas numpy polars matplotlib seaborn pyarrow
Vérification :
import pandas as pd
import numpy as np
import polars as pl
import matplotlib.pyplot as plt
import seaborn as sns
print("Toutes les dépendances sont installées.")
Pour des performances optimales, organisez vos fichiers de données avec :
temperature_celsius, pression_bar).str et float dans une même colonne).2025-03-15T14:30:00Z) pour les séries temporelles.Pandas est la bibliothèque standard pour la manipulation de données tabulaires en Python. Voici les opérations les plus courantes, organisées de manière progressive.
import pandas as pd
# CSV avec gestion avancée des types
df = pd.read_csv(
"data/production_logs.csv",
parse_dates=["timestamp"],
infer_datetime_format=True,
low_memory=False # Évite les warnings de types mixtes
)
# Excel (toutes les feuilles)
xl = pd.ExcelFile("data/rapport_mensuel.xlsx")
df_ventes = pd.read_excel(xl, sheet_name="Ventes")
df_stock = pd.read_excel(xl, sheet_name="Stock")
# JSON (lignes ou tableau)
df_json = pd.read_json("data/sensors.json", lines=True)
# Parquet (format colonne ultra-rapide)
df_parquet = pd.read_parquet("data/captures.parquet")
# Aperçu structurel
print("=== INFOS ===")
print(df.info())
# Statistiques descriptives
print("\n=== STATISTIQUES ===")
print(df.describe(percentiles=[0.05, 0.25, 0.5, 0.75, 0.95]))
# Valeurs manquantes
print("\n=== VALEURS MANQUANTES ===")
print(df.isnull().sum())
# Aperçu des 5 premières et dernières lignes
print("\n=== HEAD ===")
print(df.head())
print("\n=== TAIL ===")
print(df.tail())
# Suppression des doublons (toutes colonnes ou sous-ensemble)
df = df.drop_duplicates(subset=["machine_id", "timestamp"])
# Imputation des valeurs manquantes
df["temperature"] = df["temperature"].fillna(df["temperature"].median())
df["pression"] = df["pression"].interpolate(method="linear") # Interpolation temporelle
df["statut"] = df["statut"].fillna("INCONNU")
# Correction des types
df["machine_id"] = df["machine_id"].astype(str)
df["vibration"] = pd.to_numeric(df["vibration"], errors="coerce")
# Suppression des lignes avec trop de valeurs manquantes
seuil = len(df.columns) * 0.5
df = df.dropna(thresh=seuil)
# Filtrage avec .copy() pour éviter les SettingWithCopyWarning
df_clean = df[df["cycle_time"] > 0].copy()
# Création de colonnes calculées
df_clean["speed_efficiency"] = df_clean["target_speed"] / df_clean["actual_speed"]
df_clean["date"] = df_clean["timestamp"].dt.date
df_clean["heure"] = df_clean["timestamp"].dt.hour
# Agrégation par groupe
summary = df_clean.groupby("machine_id").agg(
duree_moyenne=("cycle_time", "mean"),
duree_ecart_type=("cycle_time", "std"),
rendement_moyen=("speed_efficiency", "mean"),
nb_erreurs=("statut", lambda x: (x == "ERREUR").sum())
)
# Triage et reset de l'index pour un DataFrame propre
summary = summary.sort_values("nb_erreurs", ascending=False).reset_index()
NumPy fournit les fondations mathématiques pour les calculs sur tableaux multidimensionnels. Il est particulièrement utile pour les opérations qui sortent du cadre de haut niveau de Pandas.
import numpy as np
# Extraction d'un tableau NumPy depuis une colonne Pandas
temperatures = df_clean["temperature"].to_numpy()
# Statistiques descriptives
moyenne = np.mean(temperatures)
mediane = np.median(temperatures)
ecart_type = np.std(temperatures, ddof=1) # ddof=1 pour échantillon (vs population)
variance = np.var(temperatures, ddof=1)
minimum = np.min(temperatures)
maximum = np.max(temperatures)
# Centiles et quartiles
q1, q2, q3 = np.percentile(temperatures, [25, 50, 75])
print(f"Min: {minimum:.2f}, Q1: {q1:.2f}, Médiane: {q2:.2f}, Q3: {q3:.2f}, Max: {maximum:.2f}")
# Calcul du Z-score
z_scores = (temperatures - moyenne) / ecart_type
# Seuil standard : |Z| > 3
seuil_z = 3.0
masque_outliers = np.abs(z_scores) > seuil_z
outliers = temperatures[masque_outliers]
print(f"Valeurs totales : {len(temperatures)}")
print(f"Anomalies détectées (|Z| > {seuil_z}) : {len(outliers)}")
print(f"Plage normale : [{moyenne - seuil_z*ecart_type:.2f}, {moyenne + seuil_z*ecart_type:.2f}]")
# Sélection des colonnes numériques
colonnes_numeriques = ["temperature", "pression", "vibration", "cycle_time"]
variables = df_clean[colonnes_numeriques].to_numpy()
# Matrice de corrélation
corr_matrix = np.corrcoef(variables, rowvar=False)
# Affichage lisible
noms = colonnes_numeriques
print("Matrice de corrélation :")
for i, nom_i in enumerate(noms):
for j, nom_j in enumerate(noms):
if i < j:
print(f" {nom_i} ↔ {nom_j} : {corr_matrix[i, j]:+.3f}")
Polars est un moteur de traitement de données écrit en Rust, spécialement conçu pour :
import polars as pl
# Construction du plan d'exécution paresseux
lazy_query = (
pl.scan_csv("data/huge_sensor_logs.csv")
# Filtres et projections : poussés au plus tôt dans le graphe d'optimisation
.filter(pl.col("cycle_time") > 0)
.with_columns([
(pl.col("target_speed") / pl.col("actual_speed")).alias("speed_efficiency"),
pl.col("temperature").fill_null(pl.col("temperature").median()),
pl.col("timestamp").str.to_datetime("%Y-%m-%dT%H:%M:%S"),
])
.group_by("machine_id")
.agg([
pl.col("cycle_time").mean().alias("duree_moyenne"),
pl.col("cycle_time").std().alias("duree_std"),
pl.col("speed_efficiency").mean().alias("rendement_moyen"),
pl.col("temperature").min().alias("temp_min"),
pl.col("temperature").max().alias("temp_max"),
])
.sort("duree_moyenne", descending=True)
)
# Exécution avec streaming (out-of-core) — ne charge jamais tout le fichier en RAM
df_result = lazy_query.collect(streaming=True)
print(df_result)
# Polars → Pandas (zéro-copie via PyArrow)
pandas_df = df_result.to_pandas()
# Pandas → Polars
polars_df = pl.from_pandas(pandas_df)
# Vérification : la conversion est quasi-instantanée
# car la mémoire sous-jacente est partagée via Arrow
# BON : Expressions natives Polars (parallélisées en Rust)
df_filtered = df.with_columns(
pl.when(pl.col("temperature") > 100)
.then(pl.lit("CRITIQUE"))
.otherwise(pl.lit("NORMAL"))
.alias("alerte")
)
# MAUVAIS : Lambda Python (séquentiel, interprété ligne par ligne)
# df = df.with_columns(
# pl.col("temperature").map_elements(lambda x: "CRITIQUE" if x > 100 else "NORMAL")
# )
print(f"Temps d'exécution : les expressions natives sont 10x–100x plus rapides")
import matplotlib.pyplot as plt
import seaborn as sns
# Thème professionnel
sns.set_theme(
style="whitegrid",
palette="viridis",
font_scale=1.1,
rc={
"figure.dpi": 150,
"savefig.dpi": 300,
"savefig.bbox": "tight",
}
)
fig, axes = plt.subplots(1, 2, figsize=(14, 5))
# Histogramme avec courbe KDE
sns.histplot(
data=df_clean, x="temperature", hue="machine_id",
kde=True, multiple="stack", palette="viridis", ax=axes[0]
)
axes[0].set_title("Distribution des Températures par Machine", fontweight="bold")
axes[0].set_xlabel("Température (°C)")
axes[0].set_ylabel("Nombre d'observations")
# Boxplot
sns.boxplot(
data=df_clean, x="machine_id", y="temperature",
palette="viridis", ax=axes[1]
)
axes[1].set_title("Boxplot des Températures par Machine", fontweight="bold")
axes[1].set_xlabel("Machine")
axes[1].set_ylabel("Température (°C)")
plt.tight_layout()
plt.savefig("assets/temperature_distribution.png", dpi=300)
plt.close()
fig, ax = plt.subplots(figsize=(14, 6))
# Agrégation horaire
df_clean["hour"] = df_clean["timestamp"].dt.hour
hourly_avg = df_clean.groupby("hour")["temperature"].agg(["mean", "std"]).reset_index()
# Tracé avec intervalle de confiance
ax.plot(hourly_avg["hour"], hourly_avg["mean"], marker="o", linewidth=2, color="#2c7fb8")
ax.fill_between(
hourly_avg["hour"],
hourly_avg["mean"] - hourly_avg["std"],
hourly_avg["mean"] + hourly_avg["std"],
alpha=0.2, color="#2c7fb8"
)
ax.set_title("Évolution Horaires des Températures (moyenne ± écart-type)", fontweight="bold")
ax.set_xlabel("Heure de la journée")
ax.set_ylabel("Température moyenne (°C)")
ax.set_xticks(range(0, 24))
plt.tight_layout()
plt.savefig("assets/temperature_hourly.png", dpi=300)
plt.close()
fig, ax = plt.subplots(figsize=(10, 8))
# Calcul des corrélations
corr = df_clean[colonnes_numeriques].corr()
# Heatmap avec annotations
sns.heatmap(
corr,
annot=True,
fmt=".2f",
cmap="RdBu_r",
vmin=-1,
vmax=1,
center=0,
square=True,
linewidths=0.5,
ax=ax
)
ax.set_title("Matrice de Corrélation des Variables", fontweight="bold")
plt.tight_layout()
plt.savefig("assets/correlation_matrix.png", dpi=300)
plt.close()
# Format Parquet (recommandé pour la réutilisabilité)
df_clean.to_parquet("data/donnees_nettoyees.parquet", compression="snappy")
# Format CSV (interopérabilité maximale)
df_clean.to_csv("data/donnees_nettoyees.csv", index=False)
# Format Excel (pour le reporting)
df_clean.to_excel("data/donnees_nettoyees.xlsx", sheet_name="Données", index=False)
SettingWithCopyWarning dans Pandas.
df[df['val'] > 10]['status'] = 'OK'. Cela lève un avertissement car Pandas ne sait pas s'il modifie une copie ou la vue d'origine..loc ou faire une copie explicite avec .copy(). Exemple : df.loc[df['val'] > 10, 'status'] = 'OK'.Épuisement de la mémoire sur de gros fichiers.
pd.read_csv() sans précaution, provoquant un crash par manque de RAM.chunksize dans Pandas, ou basculez sur Polars en mode paresseux : pl.scan_csv("...").collect(streaming=True).Utilisation d'expressions lambda lentes dans Polars.
.map_elements(lambda x: ...) dans Polars. Cela force l'interpréteur Python à exécuter la fonction ligne par ligne de façon séquentielle, détruisant les performances du parallélisme Rust.pl.when(pl.col("a") > 0).then(pl.col("b")).otherwise(0).Accès par index absent dans Polars.
df.loc[3] ou tenter d'accéder à un index inexistant dans un DataFrame Polars.df.filter(pl.col("id") == 3)) ou des sélections par positions physiques (df.row(3) ou df[3, :]).Graphiques illisibles ou tronqués.
plt.tight_layout() avant plt.savefig(). Définissez dpi=300 pour les exports. Ajustez figsize pour les graphiques complexes.Fusion de données avec des clés de types différents.
pd.merge() échoue car les colonnes de jointure ont des types différents (ex. int vs str).df1["id"] = df1["id"].astype(str).Oubli de la fermeture des figures Matplotlib.
plt.close() après chaque plt.savefig() pour libérer la mémoire.pandas, numpy, polars, matplotlib, seaborn, pyarrow)..copy() pour éviter les SettingWithCopyWarning.streaming=True).map_elements) et utilise les expressions natives (pl.col, pl.when).plt.tight_layout().plt.close() est appelé après chaque plt.savefig() pour libérer la mémoire.