PythonDébutant
Lire des fichiers CSV avec pandas
Chargez un vrai CSV dans pandas de façon délibérée, validez sa forme et ses types, et évitez les hypothèses d’ingestion qui provoquent des problèmes de données en aval.
Données et analytique
Ingénierie des données, analytique et workflows Python en production.
Des contenus sur pandas, les DataFrames, PySpark, la performance et les plateformes de données.
Parcours conseillé
PythonDébutant
Chargez un vrai CSV dans pandas de façon délibérée, validez sa forme et ses types, et évitez les hypothèses d’ingestion qui provoquent des problèmes de données en aval.
PythonDébutant
Profilez un DataFrame pandas de manière systématique avec sa forme, son schéma, des échantillons, les nulls, l’unicité et les distributions avant de le transformer.
PythonDébutant
Construisez des filtres pandas lisibles et sûrs face aux nulls pour des questions réelles sur les commandes, et validez le résultat au lieu de vous fier à des expressions fragiles.
PythonIntermédiaire
Construisez des synthèses pandas fiables en définissant la granularité, les règles de chiffre d’affaires, le traitement des nulls et les jointures avant de regrouper des commandes réelles.
PythonIntermédiaire
Joignez des DataFrames pandas en toute sécurité avec une cardinalité explicite, le contrôle des clés sans correspondance, des indicateurs et le rapprochement du nombre de lignes.
Préparation aux entretiens
Entraînez-vous aux questions Python pour ingénieurs de données sur les structures de données, les générateurs, les exceptions, les gros fichiers, pandas, les tests, la mémoire et les pipelines en production.
S’entraîner sur Python →PythonIntermédiaireContenu en anglais
Learn how to unit test PySpark DataFrame transformations with pytest using small deterministic datasets, schema assertions, fixtures, edge cases and reusable testing patterns, and where unit tests stop and integration tests begin.
Microsoft FabricIntermédiaire
Comparez Microsoft Fabric Runtime 2.0, 1.3 et 1.2 : Spark, Python, Java, Scala, Delta Lake, performance, cycle de vie et risques de migration.
PythonIntermédiaire
Découvrez ce qui est réellement plus rapide dans Python 3.15 : JIT, démarrage, bibliothèque standard, profiling et méthodes de benchmark.
Microsoft FabricIntermédiaire
Comparez pandas, Polars, DuckDB, PySpark et Spark SQL dans Microsoft Fabric selon la vitesse, la mémoire, le volume de données, la prise en charge de Delta et la montée en charge, avec les résultats mesurés d'un vrai benchmark dans Fabric et des conseils pratiques pour choisir le bon moteur.
Microsoft FabricDébutantContenu en anglais
Learn PySpark in Microsoft Fabric step by step by reading Lakehouse data, filtering rows, creating columns, aggregating, joining, using Spark SQL and writing a Delta result.
DevOps et observabilitéIntermédiaireContenu en anglais
How to design data-quality checks that actually protect a pipeline: row-level and dataset-level rules, severity and actions, quarantine with reason codes, thresholds from baselines, recorded evidence, tests for the checks themselves, and Microsoft Fabric's built-in options.
DevOps et observabilitéAvancéContenu en anglais
How to prove an incremental load produces the correct final state when it reruns, replays data, receives late or out-of-order records, or recovers from a partial failure: guarantees, a full-load oracle, watermark and MERGE tests, invariants, metamorphic tests and a tested PySpark suite.
DevOps et observabilitéAvancéContenu en anglais
A practical architecture for testing production data platforms: unit and transformation tests, data-quality checks, SQL Server and PySpark testing, Microsoft Fabric pipelines and notebooks, integration tests, deployment validation and the CI/CD quality gates that decide whether a change reaches production.
Diagnostiquez les défaillances courantes de pandas liées aux dtypes, aux valeurs manquantes, aux jointures, à l’affectation en chaîne, aux données en double, aux erreurs de dates, à la pression mémoire et aux variations inattendues du nombre de lignes.
Filtrez les lignes d’un DataFrame pandas de façon sûre et lisible grâce aux masques booléens, aux conditions multiples, aux tests d’appartenance, aux filtres sur le texte et les dates, aux contrôles des valeurs nulles et aux expressions query.
Inspectez, filtrez, remplissez, supprimez et validez les valeurs manquantes avec pandas sans modifier silencieusement le sens ni le dtype des données de production.
Regroupez des données pandas par clés métier, calculez des agrégations fiables, conservez le contexte de chaque ligne avec transform et évitez les erreurs courantes liées aux valeurs nulles, aux doublons et aux logiques d’agrégation mélangées.
Inspectez un DataFrame pandas rapidement et en toute sécurité pour comprendre sa forme, ses colonnes, ses types de données, ses valeurs nulles, ses doublons, ses distributions et ses valeurs suspectes avant de transformer les données.
Joignez des DataFrames pandas en toute sécurité en validant les clés, la cardinalité, le comportement des valeurs nulles, la multiplication due aux doublons et l’évolution du nombre de lignes avant de vous fier au résultat.
Microsoft FabricIntermédiaireContenu en anglais
A hands-on guide to Microsoft Fabric Real-Time Intelligence: send service telemetry through an eventstream into an Eventhouse, query and window it with KQL, compare Eventstream, KQL and Spark Structured Streaming, and break and fix the flow on purpose.
PythonIntermédiaire
Comparez Python 3.15 à 3.14 : nouveautés du langage, du runtime et du profiling, risques de compatibilité et checklist de migration.
Microsoft FabricIntermédiaire
Un tutoriel pratique sur les notebooks Microsoft Fabric : Lakehouse, PySpark, SQL, tables Delta, paramètres, pipelines, Git, supervision, performance et production.
PythonIntermédiaire
Découvrez les changements de Python 3.11 à 3.15, les nouveautés de chaque version, les risques de compatibilité et comment préparer la migration.
Microsoft FabricDébutantContenu en anglais
Create a Microsoft Fabric notebook, attach it to a Lakehouse, build a small dataset with PySpark, write it as a Delta table and query it with Spark SQL, with every step explained.
Delta LakeAvancé
Pourquoi la performance de MERGE se dégrade sur les grandes tables Delta, et comment la préserver : sources propres, élagage, moins de fichiers touchés, concurrence sûre et alternatives.