Formation Python intermédiaire : maintenance, qualité et évolution de scripts data
Description
Cette formation s'adresse à des profils techniques déjà familiers de Python, confrontés à des scripts ou projets data existants qu'ils doivent comprendre, fiabiliser et faire évoluer. Elle vise à consolider les pratiques professionnelles indispensables : structuration du code, lisibilité, typage, logging, tests, refactoring, manipulation de données et interactions SQL. L'approche est résolument orientée pratique, sur des exemples représentatifs d'un environnement professionnel data : scripts de transformation, manipulation de DataFrames, intégration avec une base de données, structuration et tests d'un module Python.
- Consolider les pratiques Python utiles à la maintenance de code existant : structure, environnements, lisibilité et conventions
- Lire, comprendre et documenter un projet Python existant
- Identifier les zones de fragilité d'un script Python : complexité, duplication, dépendances, gestion d'erreurs
- Refactorer progressivement du code pour améliorer sa lisibilité, sa maintenabilité et sa robustesse
- Manipuler les opérations pandas essentielles dans des scripts de transformation de données
- Interagir avec une base SQL depuis Python en respectant les bonnes pratiques de connexion, de requêtage et de sécurité
- Mettre en place des tests unitaires simples avec pytest pour sécuriser les évolutions
- Utiliser les outils de qualité courants : formatter, linter, typing et logging
- Développeurs migration et profils techniques manipulant du code Python existant
- Analytics engineers et data engineers
- Profils techniques amenés à maintenir, faire évoluer ou reprendre des scripts Python data
- BI developers en transition vers des tâches d'ingestion / transformation
- Toute personne pratiquant Python à un niveau intermédiaire et souhaitant consolider ses pratiques professionnelles
- Pratique régulière de Python à un niveau intermédiaire
- Maîtrise des structures de base : variables, types, conditions, boucles, fonctions
- Familiarité avec l'utilisation d'un terminal en ligne de commande
- Notions de SQL appréciées (la formation s'adresse à des profils manipulant souvent des données)
- Aucune connaissance préalable en data science avancée requise
- 1
Jour 1 / Bonnes pratiques modernes Python et manipulation de données (7h)
- 2
Module 1 / Rappels structurants et environnements de travail (1h30)
- Rappels ciblés sur les structures de données Python : listes, dictionnaires, tuples, sets, compréhensions
- Fonctions, arguments, valeurs par défaut, arguments nommés, *args et **kwargs
- Gestion d'environnements virtuels : venv, pip, fichier requirements.txt
- Introduction aux gestionnaires modernes : uv, poetry (panorama)
- Structure d'un projet Python : packages, modules, organisation des fichiers
- 3
Module 2 / Lisibilité, typing et bonnes pratiques (2h)
- Style de code et PEP 8 : convention de nommage, indentation, longueur de ligne
- Typing moderne : annotations de type, collections typées, Optional / Union, intérêt et limites du typage statique avec mypy
- Docstrings et conventions de documentation : Google, NumPy, reST
- Qualité automatisée du code : ruff pour le linting et le formatting, panorama de black et isort dans les environnements existants
- Logging au lieu de print : module logging, niveaux, configuration
- Gestion des erreurs : exceptions, try/except, exceptions personnalisées
- 4
Module 3 / Manipulation de données avec pandas (3h)
- Manipuler les opérations pandas essentielles pour comprendre, corriger et faire évoluer des scripts data existants.
- Le DataFrame pandas : structure, création, lecture depuis CSV / Excel / Parquet
- Indexation, sélection, filtrage : loc, iloc, conditions booléennes
- Transformation des colonnes : opérations vectorisées, assign, map, usage raisonné de apply
- Gestion des valeurs manquantes : isna, fillna, dropna
- Agrégations et groupements : groupby, agg
- Jointures et concaténation : merge, concat
- Approfondi en TP : transformation d'un jeu de données représentatif d'un cas data
- 5
Jour 2 / Code maintenable, tests et interactions SQL (7h)
- 6
Module 4 / Lecture et compréhension de code existant (1h30)
- Méthodologie de lecture d'un projet Python inconnu : point d'entrée, dépendances, flux
- Outils d'exploration : pydoc, IDE, debugger
- Identifier les patterns courants : classes, modules, fonctions utilitaires
- Repérer les zones à risque : code legacy, fonctions trop longues, couplage fort
- Approfondi en TP : analyse d'un script Python représentatif et restitution
- 7
Module 5 / Refactoring et amélioration de code (2h)
- Principes de refactoring : extraire des fonctions, réduire la complexité, supprimer la duplication
- Patterns courants : substitution des nombres magiques, encapsulation, séparation des responsabilités
- Refactoring sécurisé : tester avant, refactorer, retester
- Conventions et lisibilité : noms parlants, fonctions courtes, séparation logique
- Approfondi en TP : refactoring d'un script existant avec mesure de l'impact
- 8
Module 6 / Tests unitaires avec pytest (1h30)
- Pourquoi tester : robustesse, non-régression, documentation vivante
- Premiers tests avec pytest : structure, conventions, exécution
- Assertions et types de tests : tests de fonctions, paramétrage avec parametrize
- Fixtures pytest : préparation de données, partage entre tests
- Mocks et patches : principes d'isolation des dépendances externes, selon le niveau du groupe
- Approfondi en TP : écriture de tests pour un module Python existant
- 9
Module 7 / Interactions avec une base de données SQL (1h)
- Connecteurs Python pour bases de données : psycopg, pymysql, sqlite3
- SQLAlchemy en panorama : connexion, exécution de requêtes et cas d'usage par rapport aux connecteurs natifs
- Bonnes pratiques : connexion, paramétrage des requêtes, gestion des transactions
- Sécurité : prévention des injections SQL, gestion des credentials
- Intégration pandas / SQL : read_sql, to_sql
- Approfondi en TP : script complet de lecture, transformation et écriture de données entre SQL et DataFrame
- 10
Atelier final de synthèse (1h)
- Reprise guidée d'un mini-projet Python : identification des problèmes, priorisation des corrections, refactoring ciblé, ajout d'un test simple et sécurisation d'un flux pandas / SQL.
- Discussion ouverte sur les pratiques et défis rencontrés par les participants
- Recommandations personnalisées pour la mise en application immédiate
Ils nous font Confiance
Nos partenaires de confiance
Questions fréquentes
FAQ : Formation Python intermédiaire : maintenance, qualité et évolution de scripts data
Oui, mais la prise en charge d'une formation professionnelle par un OPCO dépend de votre opérateur de compétences, de votre branche d'activité et des critères de financement applicables. Ascent Formation vous accompagne dans l'identification des possibilités de financement adaptées à votre entreprise.
Une formation inter-entreprises réunit des participants issus de différentes organisations, tandis qu'une formation intra-entreprise est organisée pour les collaborateurs d'une même entreprise. Le format intra permet notamment d'adapter le contenu et les modalités aux besoins spécifiques de vos équipes.
Selon la formation proposée, il est possible de suivre une formation professionnelle à distance, en présentiel ou selon d'autres modalités disponibles. Consultez les informations de la session concernée ou contactez-nous pour connaître les formats possibles.
Oui, une formation professionnelle peut être adaptée aux objectifs, au niveau des participants et aux besoins opérationnels de votre entreprise. Ascent Formation vous propose des parcours personnalisés pour accompagner le développement des compétences de vos équipes.
Formations similaires
IA & DataFormation Migration vers le Cloud
IA & DataFormation Agents IA — Concevoir des systèmes autonomes avec LangChain et LangGraph - Avancé
IA & DataFormation AI Act européen — Comprendre vos obligations et vous mettre en conformité - Niveau débutant
IA & Data