🐍 Module 10 — Environnements R & Python

Acte IV — R & Python pour l'analyse de données
Niveau : Débutant · Durée estimée : 2h30

🎯 Objectifs du module

À la fin de ce module, tu sauras :

• Comprendre pourquoi R et Python sont les outils incontournables du Data Analyst
• Installer et configurer Python (via Anaconda) et R (via RStudio)
• Naviguer dans Jupyter Notebook et RStudio
• Écrire tes premiers scripts dans les deux langages
• Choisir le bon outil selon la situation

🌍 Mise en contexte — Abidjan, cabinet Bamba & Associés

Après avoir maîtrisé Excel et SQL, Kouassi Ama — notre analyste junior — reçoit une nouvelle mission :

"Ama, nos clients veulent des analyses plus poussées : tendances, prévisions, visualisations avancées. Excel ne suffit plus. Il te faut apprendre Python ou R." — M. Bamba, Directeur

Ama se pose la même question que toi : par où commencer ?

1. Pourquoi R et Python ?

1.1 Le problème des limites d'Excel

Excel est excellent pour :

• Les fichiers jusqu'à ~100 000 lignes
• Les tableaux croisés dynamiques
• Les graphiques rapides

Mais Excel montre ses limites quand :

1.2 Python vs R — Le match

1.3 La bonne nouvelle

Tu n'as pas à choisir. Un bon Data Analyst connaît les deux.
Dans ce bootcamp : on apprend les deux en parallèle, côte à côte.

2. Installer Python avec Anaconda

2.1 Pourquoi Anaconda ?

Anaconda est une distribution Python qui installe d'un coup :

• Python
• Jupyter Notebook
• Les bibliothèques data essentielles (pandas, numpy, matplotlib...)
• Un gestionnaire d'environnements (conda)

👉 Beaucoup plus simple que d'installer Python seul puis les bibliothèques une par une.

2.2 Installation pas à pas

Étape 1 — Télécharger Anaconda

Site : anaconda.com/download
Choisir : version Individual Edition (gratuite)
OS : Windows / macOS / Linux

Étape 2 — Installer

Windows : double-cliquer sur le .exe → suivre l'assistant
macOS   : double-cliquer sur le .pkg → suivre l'assistant
Linux   : bash ~/Downloads/Anaconda3-*.sh

⚠️ Important (Windows) : cocher "Add Anaconda to PATH" pendant l'installation.

Étape 3 — Vérifier l'installation

Ouvrir un terminal (ou Anaconda Prompt sur Windows) et taper :

bashpython --version
# Résultat attendu : Python 3.11.x

conda --version
# Résultat attendu : conda 23.x.x

2.3 Lancer Jupyter Notebook

bashjupyter notebook

Cela ouvre automatiquement ton navigateur à l'adresse http://localhost:8888.

Interface Jupyter :

┌─────────────────────────────────────────┐
│  📁 Files   🔄 Running   ⚙️ Clusters    │  ← Onglets
├─────────────────────────────────────────┤
│  📁 Documents/                          │
│  📁 Downloads/                          │
│  📄 analyse_rh.ipynb                    │  ← Notebooks
│                          [New ▼]        │  ← Créer un notebook
└─────────────────────────────────────────┘

3. Installer R et RStudio

3.1 Deux installations distinctes

Contrairement à Python/Anaconda, R s'installe en deux étapes :

1. R — le langage (moteur)
2. RStudio — l'environnement de travail (interface)

Analogie : R = le moteur d'une voiture, RStudio = le tableau de bord.

3.2 Installation de R

Site    : cran.r-project.org
Cliquer : "Download R for [votre OS]"
Choisir : la version la plus récente (ex: R 4.4.x)

3.3 Installation de RStudio

Site    : posit.co/download/rstudio-desktop
Choisir : RStudio Desktop — Open Source (gratuit)

3.4 Interface RStudio — Les 4 panneaux

┌──────────────────────┬──────────────────────┐
│  📝 Script / Source  │  🌍 Environment       │
│  (écrire le code)   │  (variables créées)   │
├──────────────────────┼──────────────────────┤
│  > Console           │  📊 Plots / Files     │
│  (exécuter, tester) │  (graphiques, aide)   │
└──────────────────────┴──────────────────────┘

3.5 Vérifier l'installation

Dans la Console RStudio, taper :

rR.version.string
# [1] "R version 4.4.x (2024-...)"

4. Maîtriser Jupyter Notebook

4.1 Les deux types de cellules

4.2 Raccourcis essentiels

Mode commande (appuyer Esc d'abord) :

4.3 Structure d'un notebook bien organisé

📓 mon_analyse.ipynb
│
├── [Markdown] # Titre de l'analyse
├── [Markdown] ## 1. Contexte
├── [Code]     import pandas as pd
├── [Code]     df = pd.read_csv("data.csv")
├── [Markdown] ## 2. Nettoyage
├── [Code]     df.dropna()
├── [Markdown] ## 3. Analyse
└── [Code]     df.describe()

💡 Bonne pratique : alterner cellules Markdown (explication) et Code (calcul). Ton notebook devient ainsi un rapport vivant lisible par n'importe qui.

5. Premiers pas en Python

5.1 Variables et types de base

python# Texte (string)
nom = "Kouassi Ama"
ville = "Abidjan"

# Nombre entier (int)
age = 28
nb_employes = 35

# Nombre décimal (float)
salaire = 450000.0

# Booléen (bool)
est_cadre = True

# Afficher
print(f"Bonjour, je suis {nom}, j'ai {age} ans")
# → Bonjour, je suis Kouassi Ama, j'ai 28 ans

5.2 Listes et dictionnaires

python# Liste — une collection ordonnée
departements = ["RH", "Finance", "Commercial", "IT"]
salaires = [350000, 450000, 380000, 520000]

print(departements[0])   # RH  (index commence à 0)
print(len(departements)) # 4

# Dictionnaire — clé: valeur
employe = {
    "nom": "Kouamé Jean",
    "departement": "Finance",
    "salaire": 480000,
    "contrat": "CDI"
}

print(employe["nom"])      # Kouamé Jean
print(employe["salaire"])  # 480000

5.3 Boucles et conditions

python# Condition
salaire = 450000

if salaire >= 500000:
    print("Cadre supérieur")
elif salaire >= 350000:
    print("Cadre intermédiaire")
else:
    print("Agent de maîtrise")
# → Cadre intermédiaire

# Boucle for
equipe = ["Ama", "Jean", "Fatou", "Mamadou"]
for membre in equipe:
    print(f"Bonjour {membre} !")
# → Bonjour Ama !
# → Bonjour Jean !
# → ...

5.4 Fonctions

python# Définir une fonction
def calculer_prime(salaire, taux=0.10):
    """Calcule la prime annuelle."""
    return salaire * taux * 12

# Appeler la fonction
prime_ama = calculer_prime(450000)
print(f"Prime annuelle : {prime_ama:,.0f} FCFA")
# → Prime annuelle : 540,000 FCFA

prime_jean = calculer_prime(480000, taux=0.15)
print(f"Prime Jean : {prime_jean:,.0f} FCFA")
# → Prime Jean : 864,000 FCFA

6. Premiers pas en R

6.1 Variables et types de base

r# En R, on utilise <- pour assigner (ou = fonctionne aussi)
nom    <- "Kouassi Ama"
age    <- 28
salaire <- 450000.0
est_cadre <- TRUE

# Afficher
cat("Bonjour", nom, "\n")
# → Bonjour Kouassi Ama

print(paste("Salaire :", salaire, "FCFA"))
# → [1] "Salaire : 450000 FCFA"

6.2 Vecteurs (l'équivalent des listes Python)

r# Vecteur — collection d'éléments du MÊME type
departements <- c("RH", "Finance", "Commercial", "IT")
salaires     <- c(350000, 450000, 380000, 520000)

# Accès (index commence à 1 en R, pas 0 !)
departements[1]   # "RH"
salaires[3]       # 380000

# Calculs vectoriels automatiques
salaires * 1.10   # augmentation de 10% pour tous
# → 385000 495000 418000 572000

mean(salaires)    # moyenne : 425000
sum(salaires)     # total   : 1700000

⚠️ Piège classique : en R, les index commencent à 1 (pas 0 comme en Python).

6.3 Conditions et boucles

r# Condition
salaire <- 450000

if (salaire >= 500000) {
  print("Cadre supérieur")
} else if (salaire >= 350000) {
  print("Cadre intermédiaire")
} else {
  print("Agent de maîtrise")
}
# → [1] "Cadre intermédiaire"

# Boucle for
equipe <- c("Ama", "Jean", "Fatou", "Mamadou")
for (membre in equipe) {
  cat("Bonjour", membre, "!\n")
}
# → Bonjour Ama !
# → Bonjour Jean !

6.4 Fonctions

r# Définir une fonction
calculer_prime <- function(salaire, taux = 0.10) {
  return(salaire * taux * 12)
}

# Appeler
prime_ama <- calculer_prime(450000)
cat("Prime annuelle :", format(prime_ama, big.mark=","), "FCFA\n")
# → Prime annuelle : 540,000 FCFA

7. Python vs R — Comparaison côte à côte

Même tâche, deux langages — voici comment se traduit chaque concept :

🔗 Pont Excel → Python/R

Tu connais déjà Excel et SQL. Voici comment tes acquis se traduisent :

✏️ Mini-exercices

Exercice 1 — Python : profil employé

En Python, crée les variables suivantes pour un employé de Bamba & Associés :

• nom = "Traoré Seydou"
• departement = "Commercial"
• salaire = 420000
• annees_experience = 5

Puis affiche : "Traoré Seydou (Commercial) — 420,000 FCFA — 5 ans d'expérience"

pythonnom = "Traoré Seydou"
departement = "Commercial"
salaire = 420000
annees_experience = 5

print(f"{nom} ({departement}) — {salaire:,} FCFA — {annees_experience} ans d'expérience")
# → Traoré Seydou (Commercial) — 420,000 FCFA — 5 ans d'expérience

Exercice 2 — R : analyse des salaires

En R, crée un vecteur salaires contenant : 350000, 420000, 480000, 390000, 550000
Calcule et affiche : la moyenne, le minimum et le maximum.

rsalaires <- c(350000, 420000, 480000, 390000, 550000)

cat("Moyenne :", mean(salaires), "FCFA\n")
# → Moyenne : 438000 FCFA

cat("Minimum :", min(salaires), "FCFA\n")
# → Minimum : 350000 FCFA

cat("Maximum :", max(salaires), "FCFA\n")
# → Maximum : 550000 FCFA

Exercice 3 — Python : classification des salaires

Pour chaque salaire de la liste [280000, 350000, 450000, 520000, 680000],
affiche la catégorie :

• < 300 000 → "Bas"
• 300 000 – 499 999 → "Moyen"
• ≥ 500 000 → "Élevé"

pythonsalaires = [280000, 350000, 450000, 520000, 680000]

for s in salaires:
    if s < 300000:
        categorie = "Bas"
    elif s < 500000:
        categorie = "Moyen"
    else:
        categorie = "Élevé"
    print(f"{s:,} FCFA → {categorie}")

# → 280,000 FCFA → Bas
# → 350,000 FCFA → Moyen
# → 450,000 FCFA → Moyen
# → 520,000 FCFA → Élevé
# → 680,000 FCFA → Élevé

📋 Cheat Sheet — Python vs R

Syntaxe de base

Environnements

Raccourcis Jupyter

📥 Cheat Sheets à télécharger

💡 Imprime-les ou garde-les ouverts dans un onglet pendant que tu codes — tu t'y référeras constamment au début.

🧠 Quiz de validation

Question 1 — En R, comment accède-t-on au premier élément du vecteur v <- c(10, 20, 30) ?

a) v[0]
b) v[1]
c) v.first()
d) first(v)

Question 2 — Quelle commande Python affiche les 5 premières lignes d'un DataFrame df ?

a) df.top(5)
b) df.first(5)
c) df.head()
d) head(df, 5)

Question 3 — Quelle est la différence entre R et RStudio ?

a) RStudio est une version payante de R
b) R est le langage (moteur), RStudio est l'interface de travail
c) Ce sont deux langages différents
d) RStudio remplace R, on n'a besoin que de RStudio

✅ Résumé du module

🚀 Dans le module suivant

Module 11 — Statistiques descriptives avec R & Python
On charge de vraies données ivoiriennes, on calcule les indicateurs clés (moyenne, médiane, écart-type, quartiles) et on commence à explorer avec pandas et dplyr.

Bootcamp Data Analyst — From Zero to Hero | Niveau Débutant · Acte IV