Chapitre 3 — Visualisation et exploration 🔬

🔬 La data parle… avec des graphiques

Une visualisation bien choisie révèle des insights invisibles dans un tableau. Maîtrisez Matplotlib, Seaborn et Plotly pour raconter vos données.

📈 Matplotlib : la base

import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(df['mois'], df['ventes'], marker='o', color='#0891B2')
ax.set_title('Ventes mensuelles 2026')
ax.set_xlabel('Mois')
ax.set_ylabel('CA (FCFA)')
ax.grid(alpha=0.3)
plt.tight_layout()
plt.savefig('ventes.png', dpi=300)
plt.show()

🎨 Subplots multiples

fig, axes = plt.subplots(2, 2, figsize=(14, 10))
axes[0,0].hist(df['prix'], bins=30)
axes[0,1].scatter(df['surface'], df['loyer'])
axes[1,0].boxplot([df_a, df_b, df_c])
axes[1,1].bar(regions, totaux)

🌈 Seaborn : statistiques visuelles

import seaborn as sns
sns.set_theme(style='whitegrid')

sns.scatterplot(data=df, x='surface', y='loyer', hue='quartier')
sns.histplot(data=df, x='prix', kde=True)
sns.boxplot(data=df, x='region', y='ventes')
sns.heatmap(df.corr(numeric_only=True), annot=True, cmap='coolwarm')
sns.pairplot(df[['prix', 'surface', 'chambres']])

🚀 Plotly Express : interactif

import plotly.express as px

fig = px.scatter(df, x='surface', y='loyer', color='quartier',
                 hover_data=['chambres', 'age'],
                 title='Loyers Yaoundé 2026')
fig.show()  # zoom, hover, export PNG natifs

🎯 Quel graphique pour quel cas ?

💾 Sauvegarde figures

plt.savefig('graph.png', dpi=300, bbox_inches='tight')   # impression
plt.savefig('graph.svg')                                  # vectoriel web
plt.savefig('graph.pdf')                                  # rapport

🤖 EDA automatique avec ydata-profiling

from ydata_profiling import ProfileReport

profile = ProfileReport(df, title='Rapport EDA Ventes Cameroun')
profile.to_file('rapport.html')
# 80 pages d'analyses générées en 30 secondes

📖 Storytelling avec data

Une bonne présentation suit la règle des 4-5 slides clés :

1. Contexte : quel problème ? quelle data ?
2. Vue d'ensemble : volume, période, KPIs globaux
3. Insight n°1 : graphique fort + 1 phrase
4. Insight n°2 : graphique fort + 1 phrase
5. Recommandations : 3 actions concrètes

🇨🇲 Exemple : ventes Cameroun par région

ventes_region = df.groupby(['region', 'produit'])['ca'].sum().reset_index()
fig = px.bar(ventes_region, x='region', y='ca', color='produit',
             title='CA par région et produit (2026)',
             color_discrete_sequence=px.colors.qualitative.Set2)
fig.update_layout(xaxis_title='', yaxis_title='CA (FCFA)')
fig.show()