📊 Projet Python — Analyse de données de ventes

Ce dépôt regroupe deux mini-projets Python réalisés dans le cadre d'une formation Data Analyst. Les deux notebooks exploitent des jeux de données de ventes en magasin pour illustrer un pipeline complet : chargement, nettoyage, agrégation, visualisation et export des résultats.

📁 Contenu du dépôt

Fichier	Description
Mini Projet Finalisé 1.ipynb	Exploration et nettoyage d'un jeu de données de ventes, calculs dérivés, analyses par magasin/produit/catégorie, visualisations et export automatique en rapport Word (.docx).
Etude de cas.ipynb	Étude de cas orientée visualisation : évolution des revenus mensuels, comparaison des performances par catégorie et heatmap croisée catégorie/mois.
README.md	Ce fichier.

---

1️⃣ Mini Projet Finalisé — Analyse des ventes en magasin

Objectif : partir d'un fichier CSV brut de ventes et produire une analyse complète, du nettoyage des données jusqu'à un rapport Word illustré.

Étapes couvertes :

• Chargement du CSV et exploration initiale (shape, info, columns)
• Création de colonnes calculées : Total_Vente (Prix × Quantité), Prix_net (après remise)
• Traitement des valeurs manquantes (remplacement par 0 puis par la moyenne)
• Export des données nettoyées vers Excel (Ventes_magasin.xlsx)
• Analyses agrégées : magasin le plus performant, chiffre d'affaires par magasin, produit le plus vendu par ville
• groupby avancé : moyenne des prix par catégorie, ventes par mois, volumes par produit
• Visualisations : diagrammes en barres (verticaux/horizontaux), diagramme circulaire (top 5 produits), répartition par mois
• Génération automatique d'un rapport Word (Analyse_Graphique_Ventes.docx) intégrant graphiques et commentaires via python-docx

Bibliothèques utilisées : pandas, numpy, matplotlib, seaborn, python-docx, openpyxl

---

2️⃣ Étude de cas — Visualisation des ventes

Objectif : illustrer des techniques de visualisation de données sur un second jeu de ventes.

Étapes couvertes :

• Chargement et aperçu du jeu de données
• Conversion et agrégation temporelle (revenus mensuels)
• Courbe d'évolution des revenus mensuels (sns.lineplot)
• Comparaison des revenus par catégorie de produits (sns.barplot)
• Heatmap croisée Catégorie × Mois (sns.heatmap)

Bibliothèques utilisées : pandas, matplotlib, seaborn

---

🛠️ Installation

git clone https://github.com/<votre-utilisateur>/Projet-Python.git
cd Projet-Python
pip install pandas numpy matplotlib seaborn python-docx openpyxl jupyter

▶️ Utilisation

jupyter notebook

Ouvrez ensuite le notebook souhaité (Mini Projet Finalisé 1.ipynb ou Etude de cas.ipynb) et exécutez les cellules dans l'ordre.

⚠️ Données requises : les notebooks pointent actuellement vers des chemins locaux (C:/Users/HP/Desktop/...) et vers des fichiers CSV qui ne sont pas inclus dans ce dépôt. Pour reproduire l'analyse, placez vos propres fichiers ventes_magasin.csv / visualisation_ventes_magasin.csv dans le dossier du projet et mettez à jour le chemin dans la cellule de chargement (pd.read_csv(...)).

🧰 Technologies

• Python 3
• Pandas — manipulation et agrégation de données
• Matplotlib / Seaborn — visualisation de données
• python-docx — génération de rapports Word
• openpyxl — export Excel
• Jupyter Notebook — environnement d'exécution

📄 Licence

Projet personnel réalisé à des fins d'apprentissage (Data Analyst).