Лист за преговор: Introduction aux bibliothèques et frameworks Python

📋 Plan du Cours

1. Bibliothèques Python analyse données
2. Python en systèmes embarqués
3. Frameworks web Python
4. Installation Python Windows/Mac/Linux
5. Déclaration variables Python
6. Conventions nommage variables Python
7. Fonction d’impression Python
8. Types de données Python
9. Vérification type variable Python

📖 1. Bibliothèques Python analyse données

🔑 Notions clés & Définitions

• Pandas : bibliothèque Python spécialisée dans la manipulation et l’analyse de données structurées, notamment les tableaux de données (DataFrames). Elle facilite l’import, le nettoyage, la transformation et l’analyse de données en offrant des structures de données flexibles et performantes.

• NumPy : bibliothèque Python pour le calcul numérique, qui fournit des structures de données efficaces comme les tableaux multidimensionnels (ndarray). Elle permet d’effectuer rapidement des opérations mathématiques et algébriques sur de grands ensembles de données.

• TensorFlow : bibliothèque open source développée par Google (2015) pour la création et l’entraînement de modèles d’apprentissage automatique et d’intelligence artificielle, notamment les réseaux de neurones profonds. Elle facilite la définition de graphes de calcul pour le traitement de données complexes.

• Scikit-learn : bibliothèque Python pour l’apprentissage automatique, offrant des outils pour la classification, la régression, le clustering, la réduction de dimension, etc. Elle simplifie la mise en œuvre de modèles statistiques et d’algorithmes d’apprentissage supervisé et non supervisé.

• BeautifulSoup : bibliothèque Python pour l’extraction de données à partir de pages web HTML ou XML. Elle facilite la navigation, la recherche et la récupération d’informations dans des documents web, souvent utilisée pour le web scraping.

• Selenium : bibliothèque Python pour l’automatisation de navigateurs web. Elle permet d’interagir avec des pages web comme un utilisateur (clics, remplissage de formulaires, navigation), utile pour automatiser des tests ou récupérer des données dynamiques.

📝 Points essentiels

• Pandas et NumPy sont fondamentales pour l’analyse de données en Python, permettant de manipuler efficacement de grands ensembles de données structurées. Pandas s’appuie souvent sur NumPy pour ses opérations internes.

• TensorFlow et Scikit-learn sont deux piliers de l’apprentissage automatique : le premier pour la création de modèles complexes (réseaux de neurones), le second pour des modèles plus classiques et une mise en œuvre simplifiée.

• BeautifulSoup et Selenium jouent un rôle clé dans l’automatisation et le web scraping : BeautifulSoup pour l’analyse statique de pages HTML/XML, Selenium pour l’automatisation de navigateurs en interaction avec des pages dynamiques.

• Ces bibliothèques sont souvent combinées dans des projets de data science, de machine learning et d’automatisation web, permettant de traiter, analyser, modéliser et extraire des données efficacement.

💡 À retenir

Les bibliothèques Pandas et NumPy sont indispensables pour l’analyse de données, tandis que TensorFlow et Scikit-learn facilitent l’apprentissage automatique. Selenium et BeautifulSoup permettent d’automatiser la récupération et l’interaction avec des données web.

📖 2. Python en systèmes embarqués

🔑 Notions clés & Définitions

• Python sur micro-ordinateurs (ex : Raspberry Pi) : Python est compatible avec des micro-ordinateurs comme le Raspberry Pi, permettant de développer des projets IoT et systèmes embarqués en exploitant ses capacités de traitement et ses interfaces GPIO pour contrôler des capteurs, actionneurs, etc.
• Compatibilité avec MicroPython : MicroPython est une version allégée de Python conçue pour fonctionner sur des microcontrôleurs à ressources limitées. Elle permet de programmer des dispositifs IoT avec une syntaxe Python, facilitant le développement d’appareils connectés.
• Applications dans systèmes embarqués et IoT : Python est utilisé pour créer des applications industrielles, domotiques, ou de surveillance en exploitant la simplicité du langage et la disponibilité de bibliothèques adaptées, notamment sur des plateformes comme Raspberry Pi ou microcontrôleurs compatibles MicroPython.
• Utilisation dans l’automatisation et la domotique : Python permet d’automatiser des tâches sur des appareils connectés, comme la gestion de capteurs ou la communication avec d’autres dispositifs via des protocoles IoT, grâce à des bibliothèques spécifiques et à sa compatibilité avec MicroPython.
• Interfaçage avec capteurs et actionneurs : Sur Raspberry Pi ou microcontrôleurs MicroPython, Python facilite la lecture de capteurs (température, humidité, etc.) et le contrôle d’actionneurs (moteurs, LEDs), grâce à des interfaces GPIO et des bibliothèques dédiées.

📝 Points essentiels

• Python fonctionne efficacement sur micro-ordinateurs comme le Raspberry Pi, qui disposent de ressources suffisantes pour exécuter des scripts Python complexes, permettant la réalisation de projets IoT variés (ex : stations météo, systèmes de sécurité).
• MicroPython offre une compatibilité avec des microcontrôleurs à faibles ressources, tels que ESP8266 ou ESP32, permettant d’écrire du code Python pour des dispositifs IoT très compacts, tout en conservant une syntaxe simple et accessible.
• La simplicité de Python facilite le développement rapide de prototypes et la mise en œuvre d’applications industrielles ou domestiques connectées, grâce à ses bibliothèques et à sa compatibilité avec des plateformes matérielles variées.
• La programmation en Python dans ces environnements permet d’automatiser la gestion de capteurs, l’échange de données via des protocoles IoT (MQTT, HTTP), et la communication avec d’autres dispositifs, favorisant la création de réseaux de capteurs intelligents.
• La compatibilité de Python avec MicroPython sur microcontrôleurs permet d’intégrer des fonctionnalités avancées dans des appareils très compacts, tout en bénéficiant d’un langage de haut niveau, facile à apprendre et à utiliser.

💡 À retenir

Python, via sa compatibilité avec Raspberry Pi et MicroPython, constitue une solution flexible et accessible pour le développement de systèmes embarqués et projets IoT, combinant simplicité, puissance et adaptabilité matérielle.

📖 3. Frameworks web Python

🔑 Notions clés & Définitions

• Framework Django : Framework web Python de haut niveau, basé sur le modèle MTV (Model-Template-View), conçu pour faciliter la création d’applications sécurisées, évolutives et maintenables. Selon Django Software Foundation (date indéfinie), il offre une architecture prête à l’emploi avec une gestion intégrée des bases de données, de l’authentification et de la sécurité.
• Framework FastAPI : Framework moderne, rapide (d’où son nom), pour construire des APIs RESTful avec Python. Sebastián Ramírez (2018) le décrit comme étant optimisé pour la performance grâce à l’utilisation de Python 3.7+ et de la bibliothèque Starlette, favorisant la simplicité et la rapidité de développement.
• Framework Flask : Micro-framework léger et flexible, basé sur Werkzeug et Jinja2, permettant de développer rapidement des applications web modulaires. Armin Ronacher (2010) le présente comme étant minimaliste, laissant le choix aux développeurs d’ajouter des composants selon leurs besoins.

📝 Points essentiels

• Django est idéal pour des projets complexes nécessitant une sécurité renforcée et une architecture robuste, comme les plateformes sociales (ex : Instagram). Il intègre des fonctionnalités telles que l’administration automatique, la gestion des utilisateurs, et la protection contre les attaques courantes.
• FastAPI se distingue par sa performance exceptionnelle, notamment dans la gestion d’API à haute charge, grâce à l’utilisation d’asyncio et de Pydantic pour la validation des données. Il est souvent utilisé pour des backend évolutifs et sécurisés, notamment dans des applications modernes et microservices.
• Flask offre une grande flexibilité, permettant aux développeurs de choisir leurs composants et de construire des applications modulaires. Son architecture minimaliste facilite l’intégration avec d’autres outils et frameworks, tout en étant adaptée pour des projets de petite à moyenne envergure ou pour des prototypes rapides.
• Dans le contexte des plateformes sociales comme Instagram, ces frameworks sont utilisés pour gérer le backend, le traitement des données utilisateur, la sécurisation des échanges, et la scalabilité du service. La sélection du framework dépend des besoins spécifiques en performance, sécurité, et modularité.

💡 À retenir

Les frameworks Django, FastAPI et Flask offrent chacun des avantages distincts pour le développement web Python : Django pour la sécurité et la robustesse, FastAPI pour la performance et la modernité, et Flask pour la flexibilité et la simplicité. Leur utilisation dans des plateformes sociales comme Instagram illustre leur capacité à supporter des applications à grande échelle et à forte charge.

📖 4. Installation Python Windows/Mac/Linux

🔑 Notions clés & Définitions

• Téléchargement de Python depuis python.org : Procédé consistant à accéder au site officiel python.org pour obtenir le fichier d’installation correspondant à votre système d’exploitation, garantissant une version officielle et sécurisée de Python (voir chapitre 2).
• Installation de Python sur macOS via fichier .pkg : Processus d’installation en ouvrant le fichier .pkg téléchargé depuis python.org, puis en suivant les étapes de l’assistant d’installation pour configurer Python sur un Mac (voir chapitre 2).
• Installation de Python sur Windows via fichier .exe : Méthode d’installation en exécutant le fichier .exe téléchargé depuis python.org, en suivant les instructions de l’assistant d’installation pour configurer Python sur Windows (voir chapitre 2).
• Vérification de l’installation avec python --version : Commande à exécuter dans le terminal ou invite de commande pour confirmer que Python est correctement installé et connaître la version active (voir chapitre 2).
• Utilisation du terminal pour lancer Python sur différents OS : Démarrage de l’interpréteur Python en tapant python ou python3 dans le terminal (macOS/Linux) ou PowerShell/Invite de commandes (Windows), permettant d’interagir directement avec Python (voir chapitre 2).

📝 Points essentiels

• Le téléchargement de Python doit impérativement se faire depuis python.org, garantissant la sécurité et la mise à jour officielle du langage (voir chapitre 2).
• Sur macOS, l’installation s’effectue via un fichier .pkg : après téléchargement, il faut ouvrir ce fichier, cliquer sur « Continuer » puis « Installer » et saisir le mot de passe administrateur si demandé. La vérification se fait avec python3 --version dans le terminal.
• Sur Windows, le fichier .exe doit être téléchargé, puis exécuté en suivant les instructions. Il est conseillé de cocher l’option « Ajouter Python au PATH » pour faciliter l’utilisation en ligne de commande.
• La vérification de l’installation se réalise avec la commande python --version ou python3 --version dans le terminal ou invite de commande, selon le système.
• Sur Linux, Python est souvent préinstallé, mais il est possible d’installer ou de mettre à jour via le gestionnaire de paquets (apt, dnf, etc.). L’interpréteur se lance avec python ou python3.

💡 À retenir

L’installation de Python doit se faire depuis le site officiel python.org, en utilisant le fichier adapté à votre OS, puis en vérifiant la version installée via le terminal ou invite de commande pour assurer une configuration correcte.

📖 5. Déclaration variables Python

🔑 Notions clés & Définitions

• Déclaration de variables en Python : Opération consistant à attribuer une valeur à un identifiant à l’aide de l’opérateur d’affectation =. Exemple : name = 'John Doe'. Aucun mot-clé comme let ou const n’est requis, contrairement à d’autres langages (voir section 3).

• Opérateur d’affectation = : Symbole utilisé pour lier une valeur à une variable en Python. Il place la valeur à droite dans la variable à gauche. Exemple : age = 25. La variable devient un conteneur pour cette valeur.

• Absence de mots-clés comme let ou const : En Python, la déclaration de variables ne nécessite pas de mots-clés spécifiques pour définir leur mutabilité ou leur portée, contrairement à certains autres langages (voir section 3). La simple affectation suffit.

• Conventions de nommage : Règles pour nommer les variables, notamment commencer par une lettre ou underscore _, utiliser des caractères alphanumériques ou _, respecter la casse, et éviter les mots-clés réservés. Exemple : user_age, totalSum.

• Exemple de déclaration : name = 'John Doe', age = 25. La variable name stocke une chaîne de caractères, et age un entier. La simplicité de cette syntaxe est une caractéristique clé de Python.

📝 Points essentiels

• La déclaration de variables en Python se fait par une simple affectation avec =, sans mot-clé spécifique comme let ou const.
• La syntaxe est : nom_variable = valeur. La valeur peut être de n’importe quel type supporté par Python, comme une chaîne, un entier, etc.
• La convention de nommage recommande d’utiliser des noms descriptifs en minuscules, séparés par _ (snake_case), pour améliorer la lisibilité.
• Les noms de variables doivent commencer par une lettre ou underscore _, et ne pas utiliser de mots-clés réservés (ex : if, class, def).
• En Python, la déclaration est dynamique : le type de la variable est déterminé automatiquement lors de l’affectation, sans déclaration explicite de type.

💡 À retenir

En Python, déclarer une variable consiste simplement à lui attribuer une valeur avec l’opérateur =, sans mots-clés spéciaux, en respectant des conventions de nommage, ce qui rend la syntaxe simple et intuitive.

📖 6. Conventions nommage variables Python

🔑 Notions clés & Définitions

• Règles de nommage : Ensemble de principes pour nommer les variables en Python, notamment commencer par une lettre ou un underscore, respecter la casse, et éviter l’utilisation de mots-clés réservés.
• Sensibilité à la casse : Caractère distinctif de Python qui considère que age et Age sont deux variables différentes, ce qui oblige à faire attention à la majuscule ou minuscule lors du nommage (voir aussi la notion de noms sensibles à la casse).
• snake_case : Convention de nommage où les mots sont séparés par des underscores (_), favorisée pour nommer les variables en Python, afin d’améliorer la lisibilité (voir aussi la section sur conventions).
• Mots-clés réservés : Mots utilisés par Python pour sa syntaxe, tels que if, class, def, qui ne peuvent pas être utilisés comme noms de variables (voir aussi la notion d’interdiction d’utiliser mots-clés réservés).
• Noms à une seule lettre : Noms de variables composés d’un seul caractère, généralement à éviter sauf dans certains cas comme les boucles, car ils ne sont pas descriptifs et nuisent à la compréhension du code.

📝 Points essentiels

• Les noms de variables doivent commencer par une lettre ou un underscore (_), conformément aux règles de nommage.
• La casse est sensible : age, Age, et AGE sont considérés comme trois variables distinctes, ce qui impose de faire attention à la casse lors du nommage (voir aussi la sensibilité à la casse).
• Il est interdit d’utiliser des mots-clés réservés par Python, tels que if, class, ou def, pour nommer des variables, afin d’éviter les erreurs de syntaxe (voir aussi la notion d’interdiction d’utiliser mots-clés réservés).
• La convention snake_case est recommandée pour nommer les variables, en utilisant des minuscules et des underscores pour séparer les mots, ce qui facilite la lecture.
• Il est conseillé d’éviter les noms à une seule lettre, sauf dans des contextes spécifiques comme les boucles, car ils ne donnent pas d’indication claire sur le contenu ou la fonction de la variable.
• Respecter ces règles permet d’écrire un code clair, lisible et conforme aux standards Python, facilitant la maintenance et la collaboration.

💡 À retenir

Les noms de variables en Python doivent commencer par une lettre ou un underscore, respecter la casse, suivre la convention snake_case, et ne pas utiliser de mots-clés réservés, afin d’assurer la clarté et la conformité du code.

📖 7. Fonction d’impression Python

🔑 Notions clés & Définitions

• print() : Fonction intégrée en Python permettant d’afficher des données sur le terminal. Elle peut prendre plusieurs arguments séparés par des virgules, et affiche automatiquement un espace entre eux (voir section 4).
• Guillemets simples ou doubles : Syntaxe pour délimiter une chaîne de caractères en Python. Les deux sont équivalents et peuvent être utilisés indifféremment pour définir une chaîne, par exemple 'Bonjour' ou "Bonjour" (voir section 5).
• Affichage de plusieurs arguments : La fonction print() peut recevoir plusieurs valeurs séparées par des virgules, ce qui entraîne leur affichage côte à côte avec un espace automatique entre chaque argument (voir section 4).
• Insertion automatique d’espaces : Lorsqu’on utilise print() avec plusieurs arguments séparés par des virgules, Python insère par défaut un espace entre chaque argument lors de l’affichage, facilitant la lecture du résultat (voir section 4).

📝 Points essentiels

• La fonction print() est une méthode fondamentale pour la sortie de données en Python, permettant d’afficher du texte, des variables ou des expressions.
• Les chaînes de caractères doivent être délimitées par des guillemets simples (') ou doubles ("), ce qui offre une flexibilité pour inclure des guillemets dans le texte sans échappement.
• Lorsqu’on affiche plusieurs arguments avec print(), Python insère automatiquement un espace entre eux, ce qui évite d’avoir à gérer manuellement la séparation.
• La fonction print() peut également afficher des variables de différents types, grâce à la conversion automatique en chaîne de caractères.
• La compréhension de ces concepts est essentielle pour déboguer, tester ou présenter des résultats dans un programme Python.

💡 À retenir

La fonction print() en Python permet d’afficher facilement des données sur le terminal, en utilisant des guillemets pour délimiter les chaînes et en séparant plusieurs arguments par des virgules, avec une insertion automatique d’espaces.

📖 8. Types de données Python

🔑 Notions clés & Définitions

• Chaîne (str) : Séquence de caractères délimitée par des guillemets simples (' ') ou doubles (" "). Python (date) : permet de représenter du texte dans le code, par exemple 'Bonjour' ou "Hello".
• Entier (int) : Nombre sans décimale, positif ou négatif, par exemple 10 ou -5. Python (date) : utilisé pour stocker des valeurs numériques discrètes.
• Float (float) : Nombre à virgule flottante, par exemple 4.50 ou -0.4. Python (date) : représente des nombres décimaux ou réels.
• Booléen (bool) : Type vrai ou faux, écrit True ou False. Python (date) : utilisé pour les conditions et la logique.
• Collection (list, set, dict, tuple) : Ensemble d’éléments regroupés, par exemple une liste [22, 'Hello', 3.14] ou un dictionnaire {'name': 'Alice'}. Python (date) : permet de stocker plusieurs valeurs de types variés.
• Type dynamique : Python (date) : capacité du langage à déterminer le type de la variable lors de l'exécution, sans déclaration explicite préalable.

📝 Points essentiels

• Typage dynamique : Python (date) : la variable n’a pas besoin d’être déclarée avec un type précis ; le langage déduit le type en fonction de la valeur attribuée. Cela facilite le développement rapide mais peut entraîner des erreurs lors de l’exécution si le type n’est pas conforme à l’usage prévu.
• Obtenir le type d’une variable : La fonction type() permet de connaître le type d’une variable, par exemple type(my_var) renvoie <class 'str'> pour une chaîne.
• Types courants : En plus des chaînes et entiers, Python gère aussi les floats, booléens, listes, dictionnaires, tuples, ensembles, plages (range) et la valeur spéciale None pour l'absence de valeur.
• Vérification du type : La fonction isinstance() vérifie si une variable est d’un type spécifique, par exemple isinstance(42, int) retourne True.

💡 À retenir

Python possède un système de typage dynamique qui lui permet d’attribuer automatiquement un type à chaque variable en fonction de la valeur. La maîtrise des types de base et de leur vérification est essentielle pour écrire un code fiable et efficace.

📖 9. Vérification type variable Python

🔑 Notions clés & Définitions

• type() (fonction intégrée) : Python (date) : Fonction permettant de connaître le type de données d’une variable ou d’un objet en renvoyant sa classe, par exemple <class 'int'> ou <class 'str'>.
• Importance de connaître le type : Python (date) : Connaître le type d’une variable est essentiel pour manipuler correctement les données, effectuer des opérations adaptées, ou éviter des erreurs d’exécution.
• Typage dynamique : Python (date) : Caractéristique du langage où le type d’une variable est déterminé automatiquement lors de l’affectation, sans besoin de déclaration explicite, contrairement aux langages à typage statique.
• isinstance() (fonction intégrée) : Python (date) : Fonction qui vérifie si une variable est d’un type spécifique, en renvoyant un booléen (True ou False). Exemple : isinstance(x, str).

📝 Points essentiels

• La fonction type() permet d’obtenir le type précis d’une variable, ce qui est crucial pour assurer la compatibilité des opérations et éviter des erreurs lors de manipulations.
• En Python, le typage est dynamique (Python, date), ce qui signifie que le type d’une variable est déterminé automatiquement lors de l’affectation, et peut changer si une nouvelle valeur est attribuée.
• La fonction isinstance() est souvent utilisée pour vérifier si une variable est d’un type donné, notamment dans le cadre de la gestion des erreurs ou de la validation de données.
• La connaissance du type permet aussi d’utiliser des fonctions spécifiques ou d’appliquer des méthodes adaptées à chaque type, comme .append() pour une liste ou .upper() pour une chaîne.
• La distinction entre types int (entier) et float (nombre à virgule) est importante : les int stockent des nombres sans décimale, tandis que les float gèrent des nombres avec une partie décimale, ce qui influence leur traitement et leur précision.

💡 À retenir

Connaître le type d’une variable en Python grâce à type() ou isinstance() est fondamental pour manipuler efficacement les données, car le langage à typage dynamique détermine automatiquement le type lors de l’affectation, ce qui nécessite une vérification pour éviter des erreurs d’exécution.

📊 Tableaux de Synthèse

Critère	Django	FastAPI	Flask	Auteur / Référence
Type	Framework complet (full-stack)	Framework pour API RESTful	Micro-framework léger	Django (Django Software Foundation), Sebastián Ramírez, Armin Ronacher
Architecture	MTV (Model-Template-View)	Asynchrone, basé sur asyncio	Modular, minimaliste
Fonctionnalités principales	Gestion BDD, sécurité, admin automatique	Haute performance, validation avec Pydantic	Flexibilité, choix composants
Cas d’usage	Applications complexes, sites sécurisés	APIs rapides, microservices	Applications légères, prototypes
Points forts	Sécurité, robustesse, intégration complète	Performance, modernité, validation automatique	Simplicité, flexibilité

⚠️ Pièges & Confusions Fréquentes

1. Confondre Django (framework complet) avec Flask (micro-framework) : Django inclut tout, Flask est minimaliste.
2. Croire que FastAPI remplace totalement Flask : FastAPI est spécialisé dans les APIs, Flask pour applications générales.
3. Confusion entre MicroPython et Python standard : MicroPython est une version allégée pour microcontrôleurs, pas une simple extension.
4. Penser que Pandas et NumPy sont interchangeables : Pandas manipule des DataFrames, NumPy gère des tableaux multidimensionnels.
5. Confondre la syntaxe de déclaration de variables en Python avec d’autres langages : Python n’impose pas de type lors de la déclaration.
6. Mauvaise utilisation des conventions de nommage : snake_case pour variables, PascalCase pour classes.
7. Confusion entre print() et autres méthodes d’affichage : print() est la fonction d’impression standard, pas une méthode d’objet.

✅ Checklist Examen

1. Connaître la définition de Pandas et ses applications principales dans l’analyse de données.
2. Savoir différencier NumPy et Pandas, notamment leurs structures de données et cas d’usage.
3. Identifier les rôles de TensorFlow et Scikit-learn dans l’apprentissage automatique, en citant leurs auteurs ou références clés.
4. Expliquer le fonctionnement de BeautifulSoup et Selenium dans le web scraping et l’automatisation web.
5. Comprendre la compatibilité de Python avec Raspberry Pi et MicroPython pour les systèmes embarqués.
6. Savoir ce qu’est MicroPython et ses avantages pour les microcontrôleurs à ressources limitées.
7. Connaître les principales caractéristiques du framework Django et ses cas d’usage.
8. Identifier les spécificités de FastAPI, notamment ses performances et ses outils de validation.
9. Décrire le rôle de Flask comme micro-framework, ses avantages et ses limites.
10. Maîtriser l’installation de Python sur Windows, Mac et Linux, en connaissant les principales étapes.
11. Savoir déclarer une variable en Python, en respectant la syntaxe et les conventions.
12. Connaître les conventions de nommage des variables et classes en Python (PEP8).
13. Savoir utiliser la fonction print() pour afficher des données en Python.
14. Identifier les principaux types de données en Python : int, float, str, bool, list, dict, tuple, set.
15. Vérifier le type d’une variable en Python avec la fonction type().
16. Connaître la définition de Perroux sur la croissance économique.