Mon livre Python pour l'analyse de données et les statistiques est paru en juillet 2026 aux Éditions ENI. Ses 320 pages vont des fondamentaux de Python à la régression linéaire, à la simulation de Monte Carlo et à l'analyse en composantes principales. Plusieurs mois de travail, annoncés sur LinkedIn. Merci aux Éditions ENI pour leur confiance et leur accompagnement tout au long du projet.
Écrire un livre, un autre métier que former
Former en direct et écrire un livre sont deux métiers différents, et je l'ai découvert en rédigeant celui-ci. En formation, quand un point coince, je le vois tout de suite : une question, un regard, un silence qui dure un peu trop. Je reformule, je prends un autre exemple, j'ajuste. Sur 320 pages, cette marge de manœuvre disparaît. Chaque explication doit tenir seule, sans que je sache sur quel passage le lecteur va buter.
Il a fallu prévoir les questions avant qu'elles soient posées. Dans le chapitre Monte Carlo, je savais avant d'écrire une ligne que le taux de convergence et l'intervalle de confiance autour d'une estimation demanderaient plus de place que le reste : mes apprenants posent systématiquement la même question sur ces deux points. Il en va de même pour la dépendance entre variables aléatoires, que les copules rendent concrète.
À l'oral, la progression s'ajuste au groupe. À l'écrit, il faut fixer un seul chemin, le même pour tout le monde, du premier chapitre au dernier. Ce travail m'a obligé à structurer autrement ce que je transmets depuis des années en formation. J'en ai parlé dans un second post LinkedIn.
Apprendre Python avec les statistiques, et l'inverse
Chaque notion statistique est expliquée, puis mise en œuvre en Python avec NumPy, Pandas et scikit-learn, sur des cas de finance d'entreprise accessibles aux non financiers. Les particularités du langage s'apprennent par les statistiques, et les statistiques par Python.
Huit chapitres
- Premiers pas avec Python : environnement, syntaxe, fonctions, structures de données.
- Manipulation avec NumPy et Pandas : tableaux, DataFrame, chargement, nettoyage, fusion.
- Introduction aux statistiques : statistique descriptive et visualisation des données.
- Probabilité et lois statistiques : bases de probabilité, loi normale, lois usuelles.
- Statistiques inférentielles : échantillonnage, théorème central limite, tests d'hypothèses.
- Régression statistique : régression linéaire simple et multiple, analyse des résidus.
- Monte Carlo : simulation, convergence, variables dépendantes, copules.
- Analyse en composantes principales : fondements, interprétation, exploitation dans les modèles.
Codes, données et corrigés
Les codes Python, les jeux de données et les corrigés se téléchargent gratuitement pour suivre les exemples pas à pas. L'avant-propos se lit en ligne, et un aperçu PDF de la version papier est disponible.
Le livre est en vente sur le site des Éditions ENI, à la Fnac et sur Amazon.
Voir la page du livre : sommaire, avant-propos, fichiers complémentaires et liens d'achat.
