Python Bases Sprint — 2 jours

Sprint d'apprentissage Python : maîtriser les fondamentaux en 2 jours avec des exercices orientés data science et machine learning.

---

Objectifs

• Maîtriser variables, types, conditions, boucles, fonctions
• Manipuler listes, dictionnaires, fichiers CSV avec robustesse
• Adopter les bonnes pratiques dès le début : PEP 8, docstrings NumPy, Git workflow
• Poser les bases pour le ML from scratch (semaine suivante : OOP avec Martelli)

---

Contenu

#	Fichier	Concept clé	Lien ML
01	exercice_01_notes.py	Conditions, boucles, f-strings	Métriques de classification
02	exercice_02_stats.py	Boucles imbriquées, tri à bulles	StandardScaler (sklearn)
03	exercice_03_maths.py	Fonctions, docstrings NumPy, annotations	Fonctions utilitaires réutilisables
04	exercice_04_donnees.py	Dict comprehensions, groupby, filtrage	Manipulation Pandas-like
05	exercice_05_csv.py	Fichiers CSV, try/except, robustesse	pandas.read_csv()
06	exercice_06_analyzer.py	Classe complète, architecture modulaire	Pipeline ML de bout en bout

---

Structure du projet

python-bases-sprint/
│
├── README.md
├── .gitignore
├── requirements.txt
│
├── exercices/
│   ├── exercice_01_notes.py
│   ├── exercice_02_stats.py
│   ├── exercice_03_maths.py
│   ├── exercice_04_donnees.py
│   ├── exercice_05_csv.py
│   └── exercice_06_analyzer.py
│
└── data/
    ├── etudiants_raw.csv      ← généré par exercice_05
    ├── etudiants_clean.csv    ← généré par exercice_05
    └── admis_ml.csv           ← généré par exercice_06

---

Prérequis

python >= 3.10

Aucune librairie externe

---

Lancer les exercices

git clone https://github.com/yeodem-dev/python-bases-sprint.git
cd python-bases-sprint

# Exemple : lancer le projet intégrateur
python exercices/exercice_06_analyzer.py

Sortie attendue :

✓ 6 lignes chargées depuis 'data/etudiants_raw.csv'.
==================================================
RAPPORT — data/etudiants_raw.csv
Lignes totales : 6
...
✓ 4 lignes sauvegardées dans 'data/admis_ml.csv'.

---

Ce que j'ai appris

Jour 1

• Variables, types natifs, opérateurs, f-strings
• Conditions if/elif/else imbriquées
• Boucles for, while, enumerate(), zip()
• Fonctions avec docstrings NumPy et annotations de type

Jour 2

• Listes, dictionnaires, sets — manipulation avancée
• List/dict comprehensions avec conditions
• Lecture et écriture de fichiers CSV (csv.DictReader, csv.DictWriter)
• Gestion d'erreurs robuste (try/except par champ, FileNotFoundError)
• Architecture d'une classe Python avec méthodes publiques et privées (_)

---

Concepts clés retenus

# Itérer avec index → enumerate, pas range(len(...))
for i, element in enumerate(liste):
    ...

# Colonnes dynamiques → jamais hardcodées
fieldnames = list(donnees[0].keys())

# Underscore → convention "fonction interne"
def _moyenne(valeurs): ...   # outil interne
def analyser(donnees): ...   # API publique

# Try/except par champ → granularité maximale
try:
    donnee["age"] = int(donnee["age"])
except (ValueError, KeyError):
    donnee["age"] = None