SYLLABUS

1. Objectifs du cours

Ces TD visent à fournir les bases de la programmation et de l’analyse de données pour des usages en économie, économétrie et statistiques. À l’issue du cours, les étudiants seront capables de :
• Installer un environnement Python reproductible et travailler dans Jupyter / VS Code.
• Écrire des scripts clairs (PEP8), utiliser les structures de contrôle, fonctions et modules.
• Manipuler des données tabulaires avec pandas (import, nettoyage, jointures, agrégations, séries temporelles de base).
• Produire une exploration descriptive solide (tableaux, résumés statistiques, visuels simples) et exporter des résultats vers CSV/Excel.
• Démarrer un mini projet d’analyse des données sur un jeu de données économique.
Alignement avec le master : compétences transverses en informatique/statistiques, support aux cours d’économétrie et dataviz (Power BI/R Shiny), préparation au « Cours Python avancé » du S2.

2. Description du cours

Ce cours de travaux dirigés initie les étudiants aux fondamentaux de la programmation et de l’analyse de données appliquées à l’économie, l’économétrie et les statistiques. L’accent est mis sur l’utilisation de Python comme outil pratique et reproductible pour structurer, analyser et présenter des données.

3. Plan du cours

• S?ance 1 ? Bases Python & environnement (4h)
• S?ance 2 ? Structures, modules & librairie standard (4h )
• S?ance 3 ? NumPy & pandas : fondamentaux (4h)
• S?ance 4 ? pandas : jointures, reshaping & time series (4h)
• S?ance 5 ? Bonnes pratiques, reproductibilit? & data workflow (4h)
• S?ance 6 ? Atelier projet : EDA de A ? Z (4h)

4. Compétences visées

• Utiliser les méthodes économétriques adéquates pour traiter l’information économique de l’entreprise.
• Maîtriser l’analyse qualitative et quantitative d’une problématique économique d’entreprise ou de marché.
• Connaître et utiliser à bon escient les techniques modernes de data science.
• Comprendre les fondements théoriques et les hypothèses et maîtriser des techniques d’implémentation pour être en capacité de mener des études statistiques à partir de modèles linéaires, séries temporelles.
• Utiliser les différentes techniques d’analyse de données (data mining).
• Maîtriser les outils utilisés en informatique-gestion tels que les bases de données.
• Utiliser les principaux logiciels adaptés à l'analyse de données dont SAS, R et Python.
• Identifier les usages numériques et les impacts de leur évolution sur le ou les domaines concernés par la mention.
• Se servir de façon autonome des outils numériques avancés pour un ou plusieurs métiers ou secteurs de recherche du domaine.

Consulter la fiche RNCP de cette formation

5. Modalités pédagogiques

Mode d'enseignement : Présentiel

Langue(s) utilisée(s) : Français

Méthodes pédagogiques : Travaux Dirigés

6. Modalités d'évaluation

Examen écrit sur table

7. Bibliographie

• • Documentation officielle Python (tutoriel, PEP8, library reference)
• • Documentation pandas (User Guide, IO, indexing, groupby, time series)
• • Documentation NumPy (ndarray, broadcasting)
• • Documentation matplotlib (pyplot)
• • JupyterLab / VS Code (guides d’utilisation)