Mise en place et outils du praticien
Département de Mathématiques et Informatique, Faculté des Sciences et Techniques, Université Cheikh Anta Diop de Dakar
Contenu
Avant d’écrire la moindre ligne de Python, il faut installer l’atelier et savoir s’en servir. Cette séance ne contient aucun formalisme : on met en place les outils, et on apprend les gestes qui reviendront à chaque séance. Le but n’est pas de tout retenir, mais d’avoir un poste de travail qui fonctionne et de ne plus paniquer devant un message d’erreur.
Le détail d’installation, étape par étape, est dans la fiche pratique fournie avec la séance.
Analogie
Un menuisier ne se résume pas à son marteau : il a un établi, des outils rangés, et un carnet où il note ce qu’il fait. Programmer, c’est pareil. Le code n’est qu’une partie ; autour, il y a un atelier qu’il faut monter une fois pour toutes.
Quatre outils composent cet atelier, et chacun a un rôle précis :
On les installe d’abord, on les comprend ensuite. La séance suit cet ordre.
Chaque outil s’appuie sur le précédent ; Git veille à côté et conserve l’historique du travail.
L’idée en une phrase
Le terminal est une fenêtre où l’on tape des commandes que la machine exécute aussitôt. Pas de boutons, pas de souris : on écrit l’ordre, on appuie sur Entrée, on lit la réponse.
C’est austère, mais c’est l’outil le plus direct et le plus universel : installer Python, créer un environnement, lancer Jupyter, utiliser Git — tout passe par là. On l’ouvre via Terminal (macOS, Linux) ou Anaconda Prompt (Windows). Le signe $ au début d’une ligne signale « ici, vous tapez une commande » ; il ne se tape pas.
Se repérer et créer des dossiers
Quatre commandes suffisent pour commencer : savoir où l’on est, voir ce qu’il y a, se déplacer, créer un dossier.
cd .. remonte d’un cran ; cd seul ramène au dossier personnel.
Chemin relatif ou absolu
Un chemin absolu part de la racine et ne change jamais : /home/fatou/projet-python. Un chemin relatif part de l’endroit où l’on se trouve : projet-python ne marche que si l’on est déjà dans /home/fatou. Une commande qui « ne trouve pas le fichier » vient presque toujours de là : on n’est pas dans le bon dossier (pwd pour vérifier).
Second piège : les espaces dans les noms. cd Mon projet échoue, car le terminal lit deux mots. On évite les espaces (mon-projet) ou on protège par des guillemets : cd "Mon projet".
L’idée en une phrase
Un environnement est une installation de Python séparée, avec ses propres bibliothèques, réservée à un projet. Anaconda fournit Python et l’outil conda qui crée et gère ces environnements.
Analogie
Une trousse par matière : les stylos de mathématiques ne se mélangent pas avec ceux de dessin. De même, un projet qui a besoin d’une ancienne version d’une bibliothèque ne doit pas casser un autre projet. Chaque environnement est une bulle : ce qu’on y installe n’affecte que lui.
$ conda create -n prog-python python=3.12
Collecting package metadata: done
Solving environment: done
Proceed ([y]/n)? y
Preparing transaction: done
#
# To activate this environment, use
# $ conda activate prog-python
$ conda activate prog-python
(prog-python) $ # le nom de la bulle apparait a gauche-n prog-python nomme l’environnement ; python=3.12 fixe la version. Une fois activé, tout ce qu’on installe va dans cette bulle.
Ajouter les outils de la science des données
Dans l’environnement activé, on installe les bibliothèques du cours en une commande.
L’erreur numéro un
ModuleNotFoundError: No module named 'pandas' signifie presque toujours : l’environnement n’est pas activé, ou la bibliothèque a été installée dans la mauvaise bulle. Réflexe : vérifier le (prog-python) à gauche, puis réactiver.
Pour information
Sans Anaconda, Python possède son propre outil d’environnements, venv : python -m venv mon-env crée la bulle, puis on l’active. C’est plus léger mais moins complet que conda (qui gère aussi des outils non-Python). Pour ce cours, on reste sur conda.
À retenir simplement : toujours travailler dans un environnement activé, jamais dans le Python « du système ». C’est ce qui rend un projet reproductible : on peut recréer exactement la même bulle sur une autre machine.
L’idée en une phrase
Un notebook Jupyter est un document fait de cellules : des cellules de texte (Markdown) pour expliquer, des cellules de code (Python) qu’on exécute une à une, et la sortie qui s’affiche juste en dessous.
C’est l’outil du praticien des données : on essaie une idée, on voit le résultat immédiatement, on ajuste. On peut tout raconter dans le même document — d’où son nom de cahier de laboratoire. Tous les TP du cours sont des notebooks.
Trois types de contenu dans un même document : texte, code exécutable, et la sortie produite.
Le navigateur s’ouvre. On crée un notebook, on tape une ligne dans une cellule de code, puis Maj+Entrée pour l’exécuter :
Résultat →
Salut Dakar !Le compteur passe de In [\,] à In [1] : la cellule a été exécutée, et c’était la première.
Le notebook garde une mémoire cachée
Les cellules ne s’exécutent pas forcément du haut vers le bas : elles s’exécutent dans l’ordre où vous appuyez sur Maj+Entrée. Le numéro In [n] donne cet ordre réel. Si vous revenez modifier une cellule du haut sans ré-exécuter celles du bas, l’affichage et l’état réel ne correspondent plus.
Symptôme classique : une variable « existe » alors qu’on a effacé la cellule qui la définissait — elle vit encore en mémoire. Réflexe en cas de doute : menu Kernel \(\rightarrow\) Restart & Run All pour tout ré-exécuter proprement, du début.
L’idée en une phrase
Quand Python rencontre un problème, il s’arrête et affiche un traceback : un message qui indique où ça casse et pourquoi. Ce n’est pas une punition, c’est une information précise. La règle : le lire de bas en haut.
La dernière ligne donne le type d’erreur et sa cause — c’est elle qu’on lit en premier. Au-dessus, le fichier et le numéro de ligne situent l’endroit. Une flèche (^ ou ~~^) pointe le caractère fautif. Avec un peu d’habitude, les mêmes erreurs reviennent : on les reconnaît d’un coup d’œil.
La dernière ligne (le type et le message) est la plus utile ; on remonte ensuite vers l’endroit fautif.
SyntaxErrorPython n’arrive pas à lire le code : il est mal écrit.
File "analyse.py", line 1
print("Bonjour Dakar)
^
SyntaxError: unterminated string literal (detected at line 1)unterminated string literal = un guillemet n’a pas été fermé. Correction : print("Bonjour Dakar"). Ce type d’erreur empêche le programme de démarrer.
NameErrorOn utilise un nom que Python ne connaît pas (souvent une faute de frappe).
Traceback (most recent call last):
File "analyse.py", line 2, in <module>
print(moyene)
^^^^^^
NameError: name 'moyene' is not defined. Did you mean: 'moyenne'?Python va jusqu’à suggérer le bon nom. Correction : print(moyenne).
IndentationErrorL’indentation (le décalage en début de ligne) est obligatoire en Python.
File "analyse.py", line 2
print(i)
^
IndentationError: expected an indented block after 'for' statement on line 1Le corps d’une boucle doit être décalé (4 espaces). Correction : indenter print(i). On reverra l’indentation en Séance 3.
TypeErrorOn combine des types incompatibles : ici du texte et un entier.
Traceback (most recent call last):
File "analyse.py", line 2, in <module>
print("Age : " + age)
~~~~~~~~~^~~~~
TypeError: can only concatenate str (not "int") to strOn ne « colle » pas un nombre à du texte. Correction propre, avec une f-string (Séance 1) : print(f"Age : {age}").
L’idée en une phrase
Git enregistre des photos successives de votre projet (les commits). On peut revenir à n’importe quelle photo, comparer, ne jamais rien perdre. GitHub est un site qui héberge une copie en ligne de ces photos, pour les sauvegarder et les partager.
Analogie
Comme des sauvegardes nommées d’un document : « version avec l’introduction », « version corrigée ». Sauf qu’ici chaque sauvegarde est datée, accompagnée d’un message, et qu’on peut revenir à l’une d’elles à tout moment.
De vos fichiers à GitHub : add prépare, commit enregistre une photo, push l’envoie en ligne.
Premier dépôt, premier commit
On initialise un dépôt dans le dossier du projet, on prépare un fichier, on enregistre une photo.
f07be7e est l’identifiant unique de cette photo ; le message décrit ce qu’elle contient.
Après avoir créé un dépôt vide sur GitHub, on le relie au projet local et on envoie :
Un fichier .gitignore indique ce qu’il ne faut pas versionner :
Trois réflexes
1. Un commit sans add préalable n’enregistre rien : add puis commit. 2. Un message de commit doit décrire le quoi (« ajoute le calcul de la moyenne »), pas « modif ». 3. Ne jamais pousser de données volumineuses ni de mots de passe : c’est le rôle du .gitignore.
Vu plus loin
Git permet aussi de travailler à plusieurs grâce aux branches et au merge. Ces notions ne sont pas nécessaires ici : à ce stade, le cycle add \(\rightarrow\) commit \(\rightarrow\) push suffit largement.
L’essentiel
Le terminal exécute des commandes : pwd, ls, cd, mkdir.
Anaconda installe Python ; conda crée des environnements isolés. On travaille toujours dans un environnement activé.
Jupyter est le cahier : cellules de texte, de code, et sorties. Le numéro In [n] donne l’ordre réel d’exécution.
Un traceback se lit de bas en haut : le type et le message d’abord, puis l’endroit.
Git enregistre des photos du projet : add \(\rightarrow\) commit \(\rightarrow\) push ; GitHub en garde une copie en ligne.
pwd), ou un espace traîne dans un nom.ModuleNotFoundError : environnement non activé, ou bibliothèque installée dans la mauvaise bulle.commit sans add, ou message vague : préparer puis enregistrer, avec un message clair..gitignore.Séance 1 — Valeurs, types et chaînes
L’atelier est monté : on peut écrire du Python. La Séance 1 pose les premières briques du langage — les variables, les types (entier, décimal, texte, booléen), les opérations, les f-strings pour afficher proprement, et la manipulation des chaînes de caractères.
À faire d’ici là : suivre la fiche pratique pour installer Anaconda, créer l’environnement prog-python, lancer Jupyter, et déposer un premier fichier sur GitHub.