Modification des données CSV / XLSX en Python pour admins Salesforce : vidéo et notes

09 Feb 2019 🔖 python pandas csv excel feuilles de calcul tutoriels salesforce samedi salesforce
💬 FR

Table de matières

• Introduction
• Diapositives
• Enregistrement en vidéo
• Exercises
  • Pourquoi coder nº 1 : modifier un gros fichier
  • Pourquoi coder nº 2 : tâches répétitives
  • Pourquoi coder nº 3 : rejoindre des fichiers
  • Exercises Collaboratives
    • Code de base
    • Code final
    • Exercise 1 – afficher “Salut !” sur l’écran
    • Exercise 2 – lire un fichier CSV et l’afficher sur l’écran
    • Exercise 3 – afficher le nombre d’enregistrements dans le CSV et quelques infos sur les noms de ses colonnes
    • Exercise 4 – afficher quelques infos sur la colonne “nom de famille”
    • Exercise 5 – afficher que les colonnes composant les noms + concaténer toutes les parties des noms dans une seule liste en ordre alphabétique
    • Exercise 6 – rejoindre deux feuilles de calcul
    • Exercise 7 – créer un nouveau fichier CSV des données modifiées
• Solution “Coding On Demand”
• Ressources et liens
  • Anglais
  • Français

Revoir la démonstration du 09 fév sur la simplicité et la puissance du Python pour modifier les feuilles de calcul – déstinée surtout aux administrateurs Salesforce.

Introduction

J’ai fait une démonstration “pratique” (interactive) “Salesforce Saturday”, déstinée aux administrateurs Salesforce, durante une heure.

Nous les admins, nous faisons tous de travaux avec Data Loader (2).

• On exporte des données aux fichiers CSV / XLSX.
• On les transforme avec Microsoft Excel.
• On importe le nouveau fichier à Salesforce avec Data Loader.

Mais quoi faire quand cette étape de transformation devient un peu pénible ?

Heureusement, en 2019, il existe un langage de programmation très bien aimé des non-développeurs, c’est à dire le Python.

J’ai démontré la facilité et la puissance de Python pour modifier les feuilles de calcul – surtout quand elles sont très grosses, quand l’on fait de tâches répétitives, et quand il faut rejoindre 2+ feuilles (sérieusement, qui rêve de faire un VLOOKUP) ?

Niveau tout débutant en programmation (mais avoir une certaine capacité avec les champs de formule et avec les formules en Excel vous aiderait – c’est au même niveau de difficulté).

Diapositives

Cliquez ici pour télécharger un fichier PDF des diapositives

Enregistrement en vidéo

(Cliquez ici pour voir l’enregistrement)

Exercises

Pourquoi coder nº 1 : modifier un gros fichier

Comme vous pouvez voir dans mon article de blog du 08 jan 2019, “Filtrer un gros fichier CSV avec Python”, Python peut modifier de très gros fichiers beaucoup plus vite que Excel.

On a supprimé les enregistrements dont le pays était l’Algérie, l’Arménie, l’Australie, ou la Barbade avec Excel et avec Python.

• En Excel, cette opération a fallu 7 secondes pour un fichier de 100.000 enregistrements (et n’a pas terminé en quelques minutes avec 1.000.000 enregistrements 😱).
• Avec Python, on a fini en 0,02 secondes pour les 100.000 et en 0,2 secondes pour les 1.000.000 enregistrements.

Le code entier est dans les diapositives; le code qui importe est :

import pandas
mauvaispays = ['Algeria','Armenia','Australia','Barbados']

df1 = pandas.read_csv('c:\\example\\100000 Sales Records.csv')
df1 = df1[~df1['Country'].isin(mauvaispays)]

df2 = pandas.read_csv('c:\\example\\1000000 Sales Records.csv')
df2 = df2[~df2['Country'].isin(mauvaispays)]

Notez: le “~” dans ce code indique “ne pas” et renverse l’effet de “.isin()”

Voir aussi “affectation des variables” sur Numworks pour comprendre l’importance du symbole “=” et comment il fonctionne avec “df1” et “df2” dans ce code.

Je sais que le syntaxe est nouveau pour vous, et donc il y a une certaine difficulté à peu près pareille à la première fois que vous avez dû composer une formule compliquée en Excel (VLOOKUP, je te regarde !!), mais vous vous y habituerez. Et même sans connaître le syntaxe, il n’est pas mal de suivre, n’est-ce pas ?

Je vous conseille de copier-coller-modifier des exemples que vous trouverez en ligne, selon vos besoins, sans trop vous inquiéter de mémoriser le syntaxe. C’est ce que je fais, moi. 😊

Les données sont du blog “E for Excel“.

Pourquoi coder nº 2 : tâches répétitives

Je recommande toujours de continuer d’utiliser Excel à chaque opportunité. Mais une tâche facile de quelques minutes en Excel peut devenir pénible s’il faut le refaire tous les jours.

J’ai démontré une série d’étapes qui n’a fallu qu’une minute en Excel:

• Ajouter une colonne “Notes”
• Filtrer le fichier 3 fois
• Ajouter 3 notes selon les données pendant les opérations de filtrer.

Normalement, une minute, ça va. Moi, je préférerais normalement Excel pour achever cette tâche !

Mais s’il fallait le faire chaque jour ? Même chaque semaine ? J’aurais envie d’automatiser mon travail … alors Python à l’aide !

Ici je commence avec le fichier “1000 Sales Records.csv” (du blog “E for Excel“). Je ne le modifie pas directement, parce que j’ai peur de détruire mes données originales avec de mauvais code. Au lieu de cela, je crée un nouveau fichier “1000-avec-notes.csv”.

import pandas

df = pandas.read_csv('c:\\example\\1000 Sales Records.csv')

lignes_cool_m = (df['Country'].str.startswith('M')) & (df['Order Priority'] == 'M')
lignes_froid = df['Country'].isin(['Canada','Greenland'])
lignes_gros_commandes = df['Total Revenue'] > 5000000

df['Notes'] = None
df['Notes'][lignes_cool_m] = 'Cool -- deux M !'
df['Notes'][lignes_froid] = 'Il fait froid'
df['Notes'][lignes_gros_commandes] = 'On commande beaucoup'

df.to_csv('c:\\example\\1000-avec-notes.csv', index=False)

Comme j’ai dit plus tôt, copiez-collez-modifiez. Jouez !

Je sais bien que tous les usages de “[” et de “]” peuvent confondre, mais … ils ne sont pas trop difficile à deviner avec l’expérimentation.

Faîtes attention à ne pas écraser votre fichier originel (créez toujours un nouveau fichier) et vous pourrez expérimenter à votre guise.

Pourquoi coder nº 3 : rejoindre des fichiers

La jointure des tableaux, c’est vraiment mon cas d’utilisation préféré pour le code Python.

1. Me souvenir du syntaxe VLOOKUP() / INDEX(MATCH()) (RECHERCHEV() / INDEX(EQUIV()) en français ?) m’embête tellement.
2. Créer de colonnes supplémentaires pour concaténer les colonnes composantes un critère de concordances entre feuilles … je déteste de faire le poirier comme ça !
3. Copier-coller-modifier mes formules RECHERCHEV() de colonne en colonne pour ajouter chaque colonne de la deuxième feuille … beurk.
4. Ne pas savoir, quand je regarde ma formule dans un an, de quelles données elle s’agit (c’est quoi dans la colonne “AJ” ?!) ? Non, merci !

Voici la folie de rejoindre des données en Excel : c’est la formule d’une seule cellule ci-dessous. UNE SEULE ! Et quelles sortes de données se trouvent dans 'Feuille2'!$A:$A et 'Feuille2'!$G:$G ? Aucune idée sans regarder.

=IF(
 ISNA(
  INDEX(
   'Feuille2'!$A:$A,
   MATCH(
    TRIM($F2),
    'Feuille2'!$G:$G,
	0
   )
  )
 ),
 "",
 INDEX(
  'Feuille2'!$A:$A,
  MATCH(
   TRIM($F2),
   'Feuille2'!$G:$G,
   0
  )
 )
)

Par contre, voici une jointure en Python, qui lit les feuilles “Feuille1” et “Feuille2” d’un fichier “C:\exemple\deuxfeuilles.xlsx” et écrit sur la disque dur trois nouveaux fichiers:

1. unefeuille_comme_excel.xlsx
2. unefeuille_tous_enregistrements.xlsx
3. unefeuille_enregistrements_uniques.xlsx

import pandas

df1 = pandas.read_excel('c:\\example\\deuxfeuilles.xlsx', sheet_name='Feuille1')
df2 = pandas.read_excel('c:\\example\\deuxfeuilles.xlsx', sheet_name='Feuille2')

df2 = df2.rename(columns={'LastName':'Last', 'FirstName':'First', 'Em':'Email'})

jointuredf = df1.merge(df2, how='left', on=['Last','First','Email'])
jointure2df = df1.merge(df2, how='outer', on=['Last','First','Email'], indicator=True)
jointure3df = jointure2df.query('_merge != "both"')

jointuredf.to_excel('c:\\example\\unefeuille_comme_excel.xlsx', index=False)
jointure2df.to_excel('c:\\example\\unefeuille_tous_enregistrements.xlsx', index=False)
jointure3df.to_excel('c:\\example\\unefeuille_enregistrements_uniques.xlsx', index=False)

Moi je trouve le code Python tout à fait plus lisible, si je m’imagine un an plus tard, que je trouve le code de la formule Excel.

(Et notez que j’ai pas même encore copié-collé mon code aux autres cellules, donc écrire ce formule n’est pas tout mon travail en Excel.)

Si les contenus de la “Feuille1” sont ainsi :

Id	First	Last	Email	Company
5829	Jimmy	Buffet	jb@example.com	RCA
2894	Shirley	Chisholm	sc@example.com	United States Congress
294	Marilyn	Monroe	mm@example.com	Fox
30829	Cesar	Chavez	cc@example.com	United Farm Workers
827	Vandana	Shiva	vs@example.com	Navdanya
9284	Andrea	Smith	as@example.com	University of California
724	Albert	Howard	ah@example.com	Imperial College of Science

Et si les contenus de la “Feuille2” sont ainsi :

PersonId	FirstName	LastName	Em	FavoriteFood
983mv	Shirley	Temple	st@example.com	Lollipops
9e84f	Andrea	Smith	as@example.com	Kale
k28fo	Donald	Duck	dd@example.com	Pancakes
x934	Marilyn	Monroe	mm@example.com	Carrots
8xi	Albert	Howard	ahotherem@example.com	Potatoes
02e	Vandana	Shiva	vs@example.com	Amaranth

Alors les contenus des 3 fichiers de sortie sont ainsi:

nº 1 : unefeuille_comme_excel.xlsx

Id	First	Last	Email	Company	PersonId	FavoriteFood
5829	Jimmy	Buffet	jb@example.com	RCA
2894	Shirley	Chisholm	sc@example.com	United States Congress
294	Marilyn	Monroe	mm@example.com	Fox	x934	Carrots
30829	Cesar	Chavez	cc@example.com	United Farm Workers
827	Vandana	Shiva	vs@example.com	Navdanya	02e	Amaranth
9284	Andrea	Smith	as@example.com	University of California	9e84f	Kale
724	Albert	Howard	ah@example.com	Imperial College of Science

nº 2 : unefeuille_tous_enregistrements.xlsx

Id	First	Last	Email	Company	PersonId	FavoriteFood	_merge
5829	Jimmy	Buffet	jb@example.com	RCA			left_only
2894	Shirley	Chisholm	sc@example.com	United States Congress			left_only
294	Marilyn	Monroe	mm@example.com	Fox	x934	Carrots	both
30829	Cesar	Chavez	cc@example.com	United Farm Workers			left_only
827	Vandana	Shiva	vs@example.com	Navdanya	02e	Amaranth	both
9284	Andrea	Smith	as@example.com	University of California	9e84f	Kale	both
724	Albert	Howard	ah@example.com	Imperial College of Science			left_only
	Shirley	Temple	st@example.com		983mv	Lollipops	right_only
	Donald	Duck	dd@example.com		k28fo	Pancakes	right_only
	Albert	Howard	ahotherem@example.com		8xi	Potatoes	right_only

nº 3 : unefeuille_enregistrements_uniques.xlsx

Id	First	Last	Email	Company	PersonId	FavoriteFood	_merge
5829	Jimmy	Buffet	jb@example.com	RCA			left_only
2894	Shirley	Chisholm	sc@example.com	United States Congress			left_only
30829	Cesar	Chavez	cc@example.com	United Farm Workers			left_only
724	Albert	Howard	ah@example.com	Imperial College of Science			left_only
	Shirley	Temple	st@example.com		983mv	Lollipops	right_only
	Donald	Duck	dd@example.com		k28fo	Pancakes	right_only
	Albert	Howard	ahotherem@example.com		8xi	Potatoes	right_only

Exercises Collaboratives

Code de base

Pour les exercises collaboratives, on a commencé avec ce code-ci, que vous pouvez modifier ici:

import pandas
pandas.set_option('expand_frame_repr', False)

chemin1 = 'https://raw.githubusercontent.com/pypancsv/pypancsv/master/docs/_data/sample1.csv'
chemin2 = 'https://raw.githubusercontent.com/pypancsv/pypancsv/master/docs/_data/sample2.csv'

def p(quelquechose):
  print(quelquechose)
  print('---CLOISON---')

# #########################
# Ne supprimez pas le code au-dessus.  Le professeur l'a fourni.
# #########################

Code final

Après avoir fini, on a composé ce code-ci (ce qui inclue beaucoup de code transformé en “commentaires” pour qu’il n’éxécute pas), modifiable ici:

import pandas
pandas.set_option('expand_frame_repr', False)

chemin1 = 'https://raw.githubusercontent.com/pypancsv/pypancsv/master/docs/_data/sample1.csv'
chemin2 = 'https://raw.githubusercontent.com/pypancsv/pypancsv/master/docs/_data/sample2.csv'

def p(quelquechose):
  print(quelquechose)
  print('---CLOISON---')

# #########################
# Ne supprimez pas le code au-dessus.  Le professeur l'a fourni.
# #########################

#p('Salut !')

df1 = pandas.read_csv(chemin1)
#p(df1)

#p(len(df1))
#p(df1.columns)
#p(len(df1.columns))
#p(list(df1.columns))
#p(sorted(df1.columns))

col_nom = df1['Last']
#p(col_nom)
#p(list(col_nom))
cn_unq = col_nom.unique()
#p(cn_unq)
#p(len(cn_unq))

interessants = ['First','Last']
cols_nom_prenom = df1[interessants]
#p(cols_nom_prenom)
col_prenom = df1['First']
tous_nom = pandas.concat([col_nom, col_prenom])
#p(sorted(tous_nom))

df2 = pandas.read_csv(chemin2)
df2match = df2.rename(columns={'FirstName':'First', 'LastName':'Last'})
mergedf = df1.merge(df2match, on=interessants, how='outer', indicator=True)
#p(mergedf)
#p(mergedf.query('_merge != "both"'))

mergedf.to_csv('resultat.csv', index=False)
p('Fin')

Exercise 1 – afficher “Salut !” sur l’écran

Ce code :

p('Salut !')

A produit cette sortie :

Salut !
---CLOISON---

Exercise 2 – lire un fichier CSV et l’afficher sur l’écran

Ce code :

df1 = pandas.read_csv(chemin1)
p(df1)

A produit cette sortie :

      Id    First      Last           Email                      Company
0   5829    Jimmy    Buffet  jb@example.com                          RCA
1   2894  Shirley  Chisholm  sc@example.com       United States Congress
2    294  Marilyn    Monroe  mm@example.com                          Fox
3  30829    Cesar    Chavez  cc@example.com          United Farm Workers
4    827  Vandana     Shiva  vs@example.com                     Navdanya
5   9284   Andrea     Smith  as@example.com     University of California
6    724   Albert    Howard  ah@example.com  Imperial College of Science
---CLOISON---

Exercise 3 – afficher le nombre d’enregistrements dans le CSV et quelques infos sur les noms de ses colonnes

Ce code :

p(len(df1))
p(df1.columns)
p(len(df1.columns))
p(list(df1.columns))
p(sorted(df1.columns))

A produit cette sortie :

7
---CLOISON---
Index(['Id', 'First', 'Last', 'Email', 'Company'], dtype='object')
---CLOISON---
5
---CLOISON---
['Id', 'First', 'Last', 'Email', 'Company']
---CLOISON---
['Company', 'Email', 'First', 'Id', 'Last']
---CLOISON---

Exercise 4 – afficher quelques infos sur la colonne “nom de famille”

Ce code :

col_nom = df1['Last']
p(col_nom)
p(list(col_nom))
cn_unq = col_nom.unique()
p(cn_unq)
p(len(cn_unq))

A produit cette sortie :

0      Buffet
1    Chisholm
2      Monroe
3      Chavez
4       Shiva
5       Smith
6      Howard
Name: Last, dtype: object
---CLOISON---
['Buffet', 'Chisholm', 'Monroe', 'Chavez', 'Shiva', 'Smith', 'Howard']
---CLOISON---
['Buffet' 'Chisholm' 'Monroe' 'Chavez' 'Shiva' 'Smith' 'Howard']
---CLOISON---
7
---CLOISON---

Exercise 5 – afficher que les colonnes composant les noms + concaténer toutes les parties des noms dans une seule liste en ordre alphabétique

Ce code :

interessants = ['First','Last']
cols_nom_prenom = df1[interessants]
p(cols_nom_prenom)
col_prenom = df1['First']
tous_nom = pandas.concat([col_nom, col_prenom])
p(sorted(tous_nom))

A produit cette sortie :

     First      Last
0    Jimmy    Buffet
1  Shirley  Chisholm
2  Marilyn    Monroe
3    Cesar    Chavez
4  Vandana     Shiva
5   Andrea     Smith
6   Albert    Howard
---CLOISON---
['Albert', 'Andrea', 'Buffet', 'Cesar', 'Chavez', 'Chisholm', 'Howard', 'Jimmy', 'Marilyn', 'Monroe', 'Shirley', 'Shiva', 'Smith', 'Vandana']
---CLOISON---

Exercise 6 – rejoindre deux feuilles de calcul

Ce code:

df2 = pandas.read_csv(chemin2)
df2match = df2.rename(columns={'FirstName':'First', 'LastName':'Last'})
mergedf = df1.merge(df2match, on=interessants, how='outer', indicator=True)
p(mergedf)
p(mergedf.query('_merge != "both"'))

A produit cette sortie :

        Id    First      Last           Email                      Company PersonId                     Em FavoriteFood      _merge
0   5829.0    Jimmy    Buffet  jb@example.com                          RCA      NaN                    NaN          NaN   left_only
1   2894.0  Shirley  Chisholm  sc@example.com       United States Congress      NaN                    NaN          NaN   left_only
2    294.0  Marilyn    Monroe  mm@example.com                          Fox     x934         mm@example.com      Carrots        both
3  30829.0    Cesar    Chavez  cc@example.com          United Farm Workers      NaN                    NaN          NaN   left_only
4    827.0  Vandana     Shiva  vs@example.com                     Navdanya      02e         vs@example.com     Amaranth        both
5   9284.0   Andrea     Smith  as@example.com     University of California    9e84f         as@example.com         Kale        both
6    724.0   Albert    Howard  ah@example.com  Imperial College of Science      8xi  ahotherem@example.com     Potatoes        both
7      NaN  Shirley    Temple             NaN                          NaN    983mv         st@example.com    Lollipops  right_only
8      NaN   Donald      Duck             NaN                          NaN    k28fo         dd@example.com     Pancakes  right_only
---CLOISON---
        Id    First      Last           Email                 Company PersonId              Em FavoriteFood      _merge
0   5829.0    Jimmy    Buffet  jb@example.com                     RCA      NaN             NaN          NaN   left_only
1   2894.0  Shirley  Chisholm  sc@example.com  United States Congress      NaN             NaN          NaN   left_only
3  30829.0    Cesar    Chavez  cc@example.com     United Farm Workers      NaN             NaN          NaN   left_only
7      NaN  Shirley    Temple             NaN                     NaN    983mv  st@example.com    Lollipops  right_only
8      NaN   Donald      Duck             NaN                     NaN    k28fo  dd@example.com     Pancakes  right_only
---CLOISON---

Exercise 7 – créer un nouveau fichier CSV des données modifiées

Ce code:

mergedf.to_csv('resultat.csv', index=False)

A produit un fichier “resultat.csv” dont les contenus sont :

Id,First,Last,Email,Company,PersonId,Em,FavoriteFood,_merge
5829.0,Jimmy,Buffet,jb@example.com,RCA,,,,left_only
2894.0,Shirley,Chisholm,sc@example.com,United States Congress,,,,left_only
294.0,Marilyn,Monroe,mm@example.com,Fox,x934,mm@example.com,Carrots,both
30829.0,Cesar,Chavez,cc@example.com,United Farm Workers,,,,left_only
827.0,Vandana,Shiva,vs@example.com,Navdanya,02e,vs@example.com,Amaranth,both
9284.0,Andrea,Smith,as@example.com,University of California,9e84f,as@example.com,Kale,both
724.0,Albert,Howard,ah@example.com,Imperial College of Science,8xi,ahotherem@example.com,Potatoes,both
,Shirley,Temple,,,983mv,st@example.com,Lollipops,right_only
,Donald,Duck,,,k28fo,dd@example.com,Pancakes,right_only

Ou, plus lisible :

Id	First	Last	Email	Company	PersonId	Em	FavoriteFood	_merge
5829.0	Jimmy	Buffet	jb@example.com	RCA				left_only
2894.0	Shirley	Chisholm	sc@example.com	United States Congress				left_only
294.0	Marilyn	Monroe	mm@example.com	Fox	x934	mm@example.com	Carrots	both
30829.0	Cesar	Chavez	cc@example.com	United Farm Workers				left_only
827.0	Vandana	Shiva	vs@example.com	Navdanya	02e	vs@example.com	Amaranth	both
9284.0	Andrea	Smith	as@example.com	University of California	9e84f	as@example.com	Kale	both
724.0	Albert	Howard	ah@example.com	Imperial College of Science	8xi	ahotherem@example.com	Potatoes	both
	Shirley	Temple			983mv	st@example.com	Lollipops	right_only
	Donald	Duck			k28fo	dd@example.com	Pancakes	right_only

Attention ! Avez-vous remarqué que dans les deux fois que je vous ai montré cette jointure de feuilles, les infos d’Albert Howard se diffèrent un peu ?

• Plus tôt, j’ai correspondu les 2 feuilles aux colonnes “prénom”, “nom de famille”, et “adresse mail”.
• Cette fois-ci, j’ai correspondu les 2 feuilles aux colonnes “prénom” et “nom de famille”.

Albert a des adresses mail différentes entre les deux feuilles, alors les résultats de la jointure sont différentes.

Comme en Excel, comme en Salesforce, attention à vos données !

Solution “Coding On Demand”

Un des étudiants a demandé de l’aide avec un problème avancé. Voici une transformation que j’espère approcherait ses besoins :

Données d’entrée :

Id	First	Last	Email	Company
5829	Jimmy	Buffet	jb@example.com	RCA
2894	Shirley	Chisholm	sc@example.com	United States Congress
294	Marilyn	Monroe	mm@example.com	Fox
30829	Cesar	Chavez	cc@example.com	United Farm Workers
827	Vandana	Shiva	vs@example.com	Navdanya
9284	Andrea	Smith	as@example.com	University of California
724	Albert	Howard	ah@example.com	Imperial College of Science

Code Python :

import pandas
chemin1 = 
df1 = pandas.read_csv('https://raw.githubusercontent.com/pypancsv/pypancsv/master/docs/_data/sample1.csv')

df1['parties'] = df1['Email'].str.split(pat='@', n=1, expand=False)

mauvais_lignes = df1['parties'].apply(lambda x : len(x) > 0 and x[0] in ['cc','mm'])

df1['nouveau'] = None
df1.loc[mauvais_lignes, 'nouveau'] = df1['parties'].apply(lambda x: x[1].split('.')[0])
df1.loc[mauvais_lignes, 'Company'] = df1['parties'].apply(lambda x: x[1].split('.')[1])
df1.loc[mauvais_lignes, 'Email'] = df1['parties'].apply(lambda x: '@' + x[1])

df1 = df1.drop(columns=['parties'])

df1.to_csv('c:\\example\\fichierdesortie.csv', index=False)

Données de sortie :

Id	First	Last	Email	Company	nouveau
5829	Jimmy	Buffet	jb@example.com	RCA
2894	Shirley	Chisholm	sc@example.com	United States Congress
294	Marilyn	Monroe	@example.com	com	example
30829	Cesar	Chavez	@example.com	com	example
827	Vandana	Shiva	vs@example.com	Navdanya
9284	Andrea	Smith	as@example.com	University of California
724	Albert	Howard	ah@example.com	Imperial College of Science

Ressources et liens

Anglais

• Les diapositives (PDF) d’une démonstration un peu plus technique que celle d’aujourd’hui, et aussi les exercises niveau débutant (mais plus éxigants que ceux d’aujourd’hui) qui accompagnent
• Ma liste de liens en anglais – je recommande surtout parmi ces liens :
  • Tâches Excel courantes illustrées en Python - partie 1 sur “Practical Business Python”
  • Tâches Excel courantes illustrées en Python - partie 2 sur “Practical Business Python”
  • Trouver les différences entre 2 fichiers Excel avec Python sur “Practical Business Python”
• Les vidéos et exercises de deux ateliers pratiques (de quelques heures) que j’ai enseigné aux administrateurs Salesforce :
  • nº 1 - “Python pour Salesforce 101” – la programmation pour tout débutants
  • nº 2 - “Python pour Salesforce 102” – beaucoup sur la concaténation et la jointure des feuilles de calcul
• Documentation officielle de toutes les commandes “Pandas” en Python
  • Documentation officielle de toutes les commandes pour manipuler les colonnes simples (“Séries”) en Python
  • Documentation officielle de toutes les commandes pour manipuler les colonnes simples (“Séries”) dont les contenus sont en texte clair en Python

Français

Désolée – beaucoup des ressources en français sont déstinées aux Data Scientists, alors trop compliquées pour les débutants qui ne veulent que faire quelques petites transformations à leurs feuilles de calcul.

Le Python pour la modification des fichiers CSV / XLS peut être très simple à écrire pour les tout débutants, mais en ce moment, il n’y a pas de telle documentation en français.

J’espère changer tout ça en éditant des ressources !

Mais pour le moment, voici les ressources les plus proches que j’ai pu trouver en français …

• Lecture et écriture de fichiers CSV et Excel avec Python sur python-simple.com (notez: il y a deux barres de défilement verticale – n’oubliez pas de tirer sur la barre intérieur pour voir tous les contenus)
• Modification des “DataFrames” avec Python sur python-simple.com (notez: il y a deux barres de défilement verticale – n’oubliez pas de tirer sur la barre intérieur pour voir tous les contenus). Un “DataFrame” est le mot technique pour un tableau de données quand on se sert de la partie de Python qui s’appelle “Pandas”.
• Concaténation et jointure des “DataFrames” avec Python sur python-simple.com (notez: il y a deux barres de défilement verticale – n’oubliez pas de tirer sur la barre intérieur pour voir tous les contenus).
• Tout sur les “DataFrames” en Python sur kaggle.com. Un “DataFrame” est le mot technique pour un tableau de données quand on se sert de la partie de Python qui s’appelle “Pandas”.
• Tout sur les “Séries” en Python sur kaggle.com. Une “Série” est le mot technique pour un enregristement OU une colonne des données d’un tableau quand on se sert de la partie de Python qui s’appelle “Pandas”.
• Les “commentaires” en Python
• Les “variables” et comment les affecter sur numworks.com
• Les “variables” et comment les affecter par Denis LE FUR.
• Création des “listes” en Python par Denis LE FUR. (Comme j’ai fait dans mon code avec mauvaispays = ['Algeria','Armenia','Australia','Barbados'])
• Manipulation des “listes” avec Python par Denis LE FUR.
• Usage des “dictionnaires” en Python
• Caractères et chaînes de caractères en Python par Denis LE FUR.
• Une initiation à Python Pandas par Raphaël da Silva

Tweeter Partager sur LinkedIn

Dernier article Prochain article

--- ---