Rappels concepts fondamentaux Python

Bonnes pratiques / Design de code

Fonctionnalités avancées de Python

Évaluation de performances

Limite des performances du langage Python natif

Structure de donnée : les numpy array

Création de tableau

Accès aux éléments du tableau : indexation simple, slicing & striding, indexation avancée

Opérations sur les tableaux : opérations basiques, broadcasting, méthodes spécifiques, travailler à partir de formules mathématiques

Entrées/sorties avec Numpy

Explication de l’optimisation des opérations sur les tableaux avec Numpy : vectorisation, Allocation mémoire, binding C++, compilation sur architecture dédiée, optimisation des ressources du processeur

Bannir les boucles for

Comparaison de performances avec Python natif

Profilage / Timing

Présentation générale de librairie

Présentation de quelques exemples : fit de courbe, algèbre linéaire, fourrier, traitement du signal…

Structure de données : DataFrame, série

Fonctionnalités essentielles : attributs, statistiques descriptives, type de données…

Indexation et sélection de données : Basique, accès par attribut, slicing, sélection par label, par position, par fonction callable, méthodes de sélection, sélection par masque

Opérations mathématiques sur les DataFrames : opérations accélérées sur les données, application de fonction mathématiques

Opérations sur les DataFrames : concaténation, fusion, regroupement

Travailler avec des données textuelles

Travailler avec des données manquantes

Travailler avec des Série temporelles

Outils d’entrée/sortie

Présentation générale et rapide des outils existant pour accélérer les codes Python

Passage à l’échelle et parallélisme avec Dask