Programmation Orientée Objet en Python
  • Back to Main Website
  • Home
  • Introduction: Histoire et Concepts
    • Introduction: Histoire et Concepts
    • Histoire de la programmation
    • Première Structuration des données
    • Naissance de la POO
    • Python: tout n’est qu’objet
    • Python : Simplicité des objets et performance sous-jacente
    • Classes en Python : Concepts fondamentaux

    • Travaux Pratiques
    • Construire sa propre Liste
    • Construire son propre DataFrame
  • Encapsulation, Héritage, Composition et Dunder
    • Encapsulation, Heritage, Composition et Dunder
    • Encapsulation en Python
    • Héritage en Python : Concept et intérêt
    • Héritage vs Composition
    • Méthodes Dunder en Python
    • Python call Method: A Fun Exploration

    • Travaux Pratiques
    • TP: Heritage avec le pricing d’option
    • TP : Ajouter des méthodes dunder à DataFrameSimple
    • TP : Étendre la classe Liste avec des méthodes dunder
    • TP: Dunder Method with Tensor for Automatic Differentiation
  • Polymorphisme et Surcharge
    • Polymorphisme et Surcharge
    • Polymorphism in Object-Oriented Programming
    • Polymorphism in Python: Function Overloading and Type Checking
    • Class Creation: Standard vs type()
    • Type Hinting, Typing Module, and Linters in Python
    • Abstract Classes
    • Protocol Classes

    • Travaux Pratiques
    • TP
  • Decorators
    • Design Patterns
    • The decorator pattern
    • Decorator Practically
    • Built-in Decorators and Standard Library Decorators in Python
    • Practical Decorators in Python Libraries

    • Travaux Pratiques
    • TP: Monte Carlo Option Pricing with Decorators
    • TP: Optimizing Heston Model Monte Carlo Simulation
  • Project Management and Packaging
    • Project and Package
    • Organizing Python Projects
    • Understanding imports
    • Python Package Management and Virtual Environments
    • Unit Testing in Python

    • Travaux Pratiques
    • TP: Creating a Linear Regression Package
  • Design Patterns
    • OOP Design Patterns
    • Python-Specific Design Patterns
    • Creation Design Patterns
    • Structural Design Patterns
    • Behavioral Design Pattern

    • Travaux Pratiques
    • TP
  • Sujets de Projets possibles
    • Projets
    • Projets POO - 2024-2025
  • Code source
  1. Travaux Pratiques
  2. Construire son propre DataFrame
  • Introduction: Histoire et Concepts
  • Histoire de la programmation
  • Première Structuration des données
  • Naissance de la POO
  • Python: tout n’est qu’objet
  • Python : Simplicité des objets et performance sous-jacente
  • Classes en Python : Concepts fondamentaux
  • Travaux Pratiques
    • Construire sa propre Liste
    • Construire son propre DataFrame

On this page

  • Instructions
  • Tests Unitaires pour verifier votre implémentation
  1. Travaux Pratiques
  2. Construire son propre DataFrame

Construire son propre DataFrame

TP
Introduction
Author

Remi Genet

Published

2024-10-21

Instructions

Votre tâche est de créer une classe DataFrameSimple qui simule les fonctionnalités de base d’un dataframe. Suivez ces instructions :

  1. Créez un fichier nommé dataframe_simple.py.

  2. Dans ce fichier, implémentez la classe DataFrameSimple avec les méthodes suivantes :

    • __init__(self, data) : Le constructeur qui accepte un dictionnaire de données.
    • afficher(self) : Retourne une chaîne représentant les premières lignes du dataframe.
    • moyenne(self, nom_colonne) : Calcule la moyenne d’une colonne.
    • somme(self, nom_colonne) : Calcule la somme d’une colonne.
    • min(self, nom_colonne) : Trouve le minimum d’une colonne.
    • max(self, nom_colonne) : Trouve le maximum d’une colonne.
    • select_colonne(self, nom_colonne) : Retourne les valeurs d’une colonne.
  3. Votre classe doit avoir les attributs suivants :

    • donnees : Un numpy array contenant les données.
    • colonnes : Une liste des noms de colonnes.
  4. Utilisez numpy pour les calculs statistiques (np.mean(), np.sum(), etc.).

  5. Une fois votre implémentation terminée, exécutez les tests unitaires en lançant python test_dataframe_simple.py.

  6. Assurez-vous que tous les tests passent. Si ce n’est pas le cas, revoyez votre implémentation.

Conseils : - Commencez par implémenter le constructeur et la méthode afficher(). - Utilisez les fonctions numpy pour les calculs statistiques. - N’oubliez pas d’importer numpy dans votre fichier dataframe_simple.py.

Tests Unitaires pour verifier votre implémentation

Voici un ensemble de tests unitaires simplifiés pour votre classe DataFrameSimple. Copier votre classe avec ce code pour la tester :

Back to top
Construire sa propre Liste

Programmation Orienté Object en Python, Rémi Genet.
Licence
Code source disponible sur Github

 

Site construit avec et Quarto
Inspiration pour la mise en forme du site ici
Code source disponible sur GitHub