Data Science : les compétences clés pour débuter dans le domaine

Pour débuter en data science (la science des données), cinq gestes suffisent, et ils s'enchaînent : extraire les données avec SQL, les nettoyer avec Python, les décrire avec des statistiques, tester un modèle, puis expliquer ce que tu trouves. Exemple : une appli de livraison se demande si la pluie fait grimper les commandes. Une requête sort les commandes, Python écarte les lignes douteuses, la médiane compare jours secs et jours de pluie, un modèle prédit la demande, un graphique convainc l'équipe. Chaque geste est repris ici sur des données fictives, avec son piège.

SQL : aller chercher les données

Les données d'une entreprise dorment souvent dans une base relationnelle : des tables faites de lignes (une commande) et de colonnes (ville, montant, durée de livraison, pluie ou non). SQL est le langage qui les interroge, et quatre mots suffisent pour commencer : SELECT choisit les colonnes, FROM la table, WHERE filtre les lignes, GROUP BY les regroupe.

SELECT ville, COUNT(*) AS nb, AVG(montant) AS panier_moyen
FROM commandes
WHERE pluie = 1
GROUP BY ville;

Cette requête donne, par ville, le nombre de commandes de pluie et leur montant moyen. COUNT et AVG sont des agrégats : ils résument plusieurs lignes en une valeur.

Python et pandas : nettoyer avant de calculer

Tu charges ensuite ces données dans Python avec pandas, une bibliothèque (un ensemble d'outils prêts à importer) qui manipule des tableaux appelés DataFrame. Le montant moyen par ville les jours de pluie tient en une ligne :

df[df["pluie"] == 1].groupby("ville")["montant"].mean()

Avant tout calcul, regarde l'état du tableau : df.isna().sum() compte les cases vides par colonne, df.duplicated().sum() les lignes en double, et df.describe() affiche minimum, maximum et quartiles, où une durée de livraison négative ou de 900 minutes saute aux yeux.

Statistiques : décrire avant de conclure

La moyenne $\bar{x} = \dfrac{1}{n}\sum_{i=1}^{n} x_i$ se laisse tirer par les valeurs extrêmes ; la médiane, valeur du milieu des données rangées, leur résiste. Sur des livraisons de 20, 25, 30, 35 et 190 minutes, la moyenne vaut $\dfrac{300}{5} = 60$ minutes, la médiane 30 minutes. La médiane décrit la livraison ordinaire, et l'écart entre les deux trahit une valeur extrême.

Ensuite, une corrélation n'est pas une cause. Si les jours de pluie comptent plus de commandes, il a peut-être surtout plu le week-end, et c'est le week-end qui fait commander : on parle de facteur de confusion. Pour l'écarter, compare samedis pluvieux et samedis secs.

Tester un modèle sur des données neuves

L'apprentissage automatique (machine learning) laisse un algorithme ajuster un modèle à partir d'exemples. Pour débuter, on fait de l'apprentissage supervisé : chaque exemple porte la réponse attendue, son étiquette. Prédire une catégorie (ce client va-t-il partir ?) est une classification, confiée à un classifieur ; prédire un nombre, une régression.

Une règle prime : on ne juge jamais un modèle sur ses données d'entraînement. Un modèle qui les aurait apprises par cœur y aurait un score parfait sans rien savoir prédire de neuf. Le guide de scikit-learn, une bibliothèque Python, y voit une erreur de méthode : l'usage est de mettre de côté un jeu de test.

from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
modele = DecisionTreeClassifier().fit(X_train, y_train)
print(modele.score(X_train, y_train), modele.score(X_test, y_test))

Ici, 20 % des lignes partent en test et random_state fixe le tirage. X contient les variables qui servent à prédire, y les étiquettes ; score renvoie le taux de bonnes réponses.

Évaluer un classifieur : précision et rappel

Le taux de bonnes réponses (accuracy) trompe dès qu'une classe est rare. Sur 1 000 transactions dont 10 fraudes, un modèle qui répond toujours « pas de fraude » a raison 990 fois, soit 99 %, sans trouver une seule fraude. Appelle positifs les cas cherchés : un vrai positif ($VP$) est une fraude signalée, un faux positif ($FP$) une transaction honnête signalée, un faux négatif ($FN$) une fraude manquée.

Les deux tirent en sens contraire : tout signaler donne un rappel de 1 et une précision effondrée, et le bon réglage dépend du coût de chaque erreur. Attention : en français, « précision » traduit parfois accuracy ; fie-toi à la formule, pas au mot.

Expliquer ton résultat

Un résultat que personne ne comprend ne change aucune décision. Présente-le avec un graphique et une phrase qui dit ce qu'il montre, limite comprise. Sur nos données fictives : « Les jours de pluie, la durée médiane de livraison à Lille passe de 30 à 38 minutes ; les week-ends n'ont pas été séparés. » Choisis le graphique selon la question : une courbe pour une évolution, des barres pour comparer des groupes, un nuage de points pour relier deux variables.

Dis aussi d'où viennent les données : un modèle entraîné sur un historique biaisé reproduit ce biais dans ses prédictions.

Exercices corrigés

Cherche chacun sur ta feuille avant d'ouvrir la correction.

SELECT ville, AVG(montant) AS panier_moyen
FROM commandes
WHERE pluie = 1
GROUP BY ville
HAVING COUNT(*) > 50;

À retenir

Sources

• Documentation de PostgreSQL 18, « Aggregate Functions » : postgresql.org.
• Documentation de pandas 3.0, DataFrame.mean : pandas.pydata.org.
• Guide de scikit-learn 1.9, « Cross-validation: evaluating estimator performance » : scikit-learn.org.