Science des Données avec Python

Contenus

Objectif du Cours

L'objectif de ce cours est d'enseigner aux étudiants, de manière appliquée, les processus d'analyse de données économiques au moyen du langage de programmation Python. Dans le cadre du cours, les étudiants acquerront les compétences nécessaires pour extraire des données de manière programmatique à partir des sources de données d'institutions nationales et internationales telles que TÜİK, la TCMB, le BDDK, l'OCDE, la Banque mondiale et Eurostat ; nettoyer les données brutes, les transformer et les préparer à l'analyse.

Dans ce cours, les étudiants n'apprendront pas seulement les techniques de traitement des données, mais aussi, de manière appliquée, comment convertir des variables économiques nominales (PIB, salaires, groupes de dépenses, etc.) en valeurs réelles à l'aide d'indices de prix (IPC/IPP), comment convertir des séries temporelles économiques en séries d'indices sur la base d'une année de référence choisie (=100), et comment décomposer les variations des grandeurs nominales en effet prix et effet réel.

Dans ce contexte, le cours vise à combiner les connaissances théoriques en économie avec les outils de traitement et de visualisation de données basés sur Python, afin de développer de manière avancée la littératie des données, la pensée analytique, la production de recherche reproductible et l'évaluation des politiques économiques fondée sur les données. À la fin du cours, les étudiants seront capables de préparer des rapports dynamiques intégrant code, analyse et interprétation, et de concevoir des projets indépendants de science des données portant sur des problèmes économiques réels.

Contenu du Cours

Le cours commence par l'installation de l'écosystème Python de science des données et de l'environnement Jupyter Notebook/Quarto. Il aborde ensuite l'importation de données avec pandas, les structures de données de base, la transformation, la manipulation et le nettoyage des données. Les compétences propres à l'économie, telles que la conversion des séries temporelles économiques en valeurs réelles, l'indexation et la décomposition nominal/réel, sont mises en avant. L'analyse exploratoire des données et les techniques avancées de visualisation avec Matplotlib/Seaborn/Plotly sont enseignées. Tout au long du semestre, des données sont extraites via des API d'institutions nationales et internationales telles que TÜİK, la TCMB et la Banque mondiale, et des analyses appliquées sont menées à travers trois études de cas différentes (Indices de prix, Commerce extérieur mensuel provincial, Consommation d'électricité).

Acquis d'Apprentissage du Cours

Au terme de ce cours, l’étudiant sera capable de :
1. Installer et configurer des environnements de développement de science des données basés sur Python (Jupyter Notebook/Lab, conda/pip, environnements virtuels).
2. Extraire des données de manière programmatique à partir des portails de données et des API d’institutions nationales/internationales telles que TÜİK, la TCMB, le BDDK, l’OCDE, la Banque mondiale et Eurostat.
3. Importer des données économiques dans différents formats tels que CSV, Excel, JSON et SQL dans des data frames pandas, les convertir au format de série temporelle et effectuer un alignement des périodes.
4. Convertir des variables économiques nominales (par ex. PIB, salaires) en valeurs réelles à l’aide d’indices de prix appropriés (IPC/IPP) et produire des séries ajustées des effets inflationnistes.
5. Convertir des séries temporelles économiques en valeurs d’indice sur la base d’une année de référence choisie (=100) ; aligner différentes séries (par ex. indices de production et de prix) sur la même année de référence afin de les rendre comparables.
6. Décomposer les variations des grandeurs nominales (par ex. Revenu national, exportations) en effet prix et effet volume (réel) ; construire l’analyse de contribution de ces composantes avec Python.
7. Préparer les jeux de données économiques à l’analyse en appliquant des opérations de filtrage, de regroupement, de fusion et de restructuration avec pandas.
8. Réaliser des statistiques descriptives, des analyses de distribution, des corrélations et des détections de ruptures structurelles à l’aide de techniques d’analyse exploratoire des données.
9. Créer des visualisations économiques de qualité publication, multidimensionnelles et interactives (graphiques de séries temporelles, matrices de dispersion, graphiques de contribution des composantes) avec Matplotlib, Seaborn et Plotly.
10. Préparer des notes de politique et des rapports de recherche reproductibles et dynamiques intégrant code, analyse et interprétation économique, grâce à l’intégration de Jupyter Notebook et Markdown.

Méthodes d'Enseignement

• Enseignement appliqué assisté par ordinateur : codage en direct, extraction, nettoyage et visualisation de données avec Jupyter Notebook/Lab.
• Discussion conceptuelle et apprentissage intuitif : combinaison de la théorie économique avec les outils de traitement et de visualisation de données basés sur Python.
• Études de cas sur des jeux de données économiques réels : TÜİK, TCMB, OCDE, Banque mondiale, Eurostat, etc.
• Activités d’apprentissage courtes et orientées vers l’application, avec retour immédiat ; les étudiants peuvent recourir à l’IA durant le processus de codage, mais doivent pouvoir expliquer et défendre chaque étape utilisée.
• Production de recherche reproductible : préparation de notes de politique et de rapports dynamiques avec l’intégration de Jupyter et Markdown.

Ressources

1. Hathaway, J., & Larson, K. (2025). Py for Data Science. Ressource fondamentale en accès libre pour la science des données avec Python.
https://byuidatascience.github.io/python4ds/
2. VanderPlas, J. (2016). Python Data Science Handbook. O’Reilly Media. Ouvrage de référence complet pour l’écosystème Python de science des données.
https://jakevdp.github.io/PythonDataScienceHandbook/
3. Quelques base de données que vous pouvez utiliser :
• World Bank Open Data (Indicateurs de développement) :
https://data.worldbank.org
• OECD Data Explorer :
https://www.oecd.org/en/data.html
• Eurostat (statistiques de l’Union européenne) :
https://ec.europa.eu/eurostat/web/main/data/database
• Penn World Table (PWT) :
https://www.rug.nl/ggdc/productivity/pwt
• Institut statistique de Turquie (TÜİK) :
https://www.tuik.gov.tr
• Banque centrale de la République de Turquie (EVDS) :
https://evds3.tcmb.gov.tr/anasayfa
• Présidence de la République de Turquie, Direction de la stratégie et du budget (Indicateurs économiques et sociaux) :
https://www.sbb.gov.tr/ekonomik-ve-sosyal-gostergeler

Intitulés des Sujets

Système d'évalution

Evalution de la Compétence

Tableau de la Charge de Travail