Python pour la recherche en sciences de gestion

Ressources pour apprendre à utiliser Python comme outil de recherche en sciences de gestion. Elles couvrent : le traitement de données, les statistiques, l'économétrie, le texte, les enquêtes, avec une introduction au machine learning.

Pourquoi Python ?

En sciences de gestion, la recherche quantitative repose historiquement sur des outils comme Excel, IBM SPSS Statistics, Stata ou R. Mais Python s'est imposé comme une alternative, voire un complément, grâce à sa syntaxe simple et lisible.

Autres avantages :

• Un seul outil pour tout le pipeline de recherche : collecte de données (scraping, API), nettoyage, statistiques, économétrie, machine learning et visualisation, sans changer de logiciel à chaque étape.
• Reproductibilité : un notebook Python documente et exécute chaque étape de l'analyse. Cela facilite la relecture par les pairs et la réplication.
• Passage à l'échelle : contrairement à Excel, Python gère sans effort des jeux de données volumineux (grandes enquêtes, données de panel, données textuelles massives).
• Un écosystème riche et gratuit : pandas, statsmodels, scikit-learn, etc. couvrent l'essentiel des besoins d'un chercheur en gestion, sans licence payante (contrairement à Stata ou SPSS).
• Une compétence transférable : au-delà de la recherche, Python est largement utilisé en entreprise (data analyse, reporting). Il s'agit donc d'une compétence valorisable au-delà du seul cadre académique.

Bien évidemment, Python ne remplace pas R ou Stata en toutes circonstances. L'objectif est de vous donner les moyens de choisir l'outil adapté à chaque situation, en connaissant bien celui-ci.

À qui s'adresse ce cours ?

• Doctorant.e.s, chercheur.se.s et étudiant.e.s en sciences de gestion.
• Niveau : de débutant à intermédiaire. Aucune expérience en programmation n'est requise pour commencer.

Note

Chaque module est autonome et peut être suivi dans l'ordre ou en fonction de vos besoins.

Objectifs

Ces ressources vous permettront de savoir :

• manipuler, nettoyer et croiser des jeux données avec la bibliothèque Python Pandas ;
• produire des visualisations claires pour vos articles et présentations ;
• réaliser des statistiques descriptives et des tests d'hypothèses ;
• estimer des modèles économétriques (régressions, données de panel) ;
• collecter et analyser des données textuelles (scrapping, text mining) ;
• traiter des données d'enquêtes/sondages ;
• structurer un projet de recherche reproductible.

Structure

python-pour-la-recherche/
├── README.md                     # ce fichier
├── requirements.txt              # dépendances pip
├── environment.yaml              # dépendances conda (optionnel)
├── docs/
│   └── roadmap.md                # parcours conseillés selon votre profil/objectif
├── assets/
│   └── datasets/                 # jeux de données utilisés dans les modules
├── modules/
│   ├── 00-prise-en-main/
│   ├── 01-fondamentaux-python/
│   ├── 02-pandas-donnees/
│   ├── 03-visualisation/
│   ├── 04-stats-descriptives-inferentielles/
│   ├── 05-econometrie/
│   ├── 06-texte-scraping/
│   ├── 07-enquetes-sondages/
│   ├── 08-machine-learning-intro/
│   └── 09-reproductibilite/
└── solutions/                    # corrigés des exercices, par module

Chaque module est composé :

• d'un fichier README.md avec les objectifs, les prérequis et la durée estimée ;
• d'un notebook de cours (.ipynb) ;
• d'un dossier exercices/ ;
• du corrigé des exercices dans le dossier solutions/<numero-module>/.

Comment naviguer dans le cours ?

Pour commencer, consultez docs/ROADMAP.md pour des parcours conseillés selon votre objectif. Si vous n'avez pas d'objectif spécifique, vous pouvez suivre les modules dans l'ordre (00 → 09) pour une progression cohérente.

Installation

Vous avez deux (02) options pour suivre ce cours. Si vous débutez, commencez par l'option A. Elle ne nécessite aucune installation.

Option A : Google Colab (recommandé pour débuter)

Google Colab est un service gratuit de Google qui exécute des notebooks Jupyter directement dans votre navigateur, sans rien installer sur votre ordinateur. Tout ce dont vous avez besoin, c'est un compte Google.

1. Allez sur le repo GitHub de ce cours à l'adresse https://github.com/vidjinnangni/python-pour-la-recherche.
2. Ouvrez le notebook d'un module (fichier .ipynb, par exemple modules/00-prise-en-main/00-prise-en-main.ipynb).
3. Dans Google Colab : Importer le notebook → GitHub, collez l'URL du repo et sélectionnez le notebook que vous voulez importer.

L'inconvénient avec cette méthode : pour les modules utilisant les jeux de données du repo (assets/datasets/), il faudra les importer dans Colab à chaque session.

Option B : Installation locale sur votre ordinateur

Cette option est plus pratique pour suivre correctement tous les modules (pas besoin de réimporter les fichiers à chaque fois). Cependant, cela demande quelques manipulations pour la mise en place. Déjà, vous devez savoir ouvrir un terminal (l'application « Terminal » sur Mac, « Invite de commandes » ou « PowerShell » sur Windows ou le terminal intégré si vous utilisez déjà VS Code) sur votre ordinateur.

Prérequis : avoir Python installé. Vérifiez si c'est déjà le cas en tapant dans votre terminal :

python3 --version

Si vous obtenez un numéro de version (ex. Python 3.11.4), c'est bon, passez à l'étape suivante. Sinon, installez Python depuis python.org/downloads (choisissez une version 3.10 ou plus récente), puis relancez la vérification.

1. Cloner le repo

Le plus simple si vous découvrez Git : téléchargez le repo en .zip depuis GitHub (Cliquez sur le bouton bleu "Code" puis sur le lien "Download ZIP" en haut de la page du repo), et décompressez-le où vous voulez sur votre ordinateur.

Si vous êtes à l'aise avec Git (voir le module 00-prise-en-main pour l'essentiel à connaître) :

git clone https://github.com/vidjinnangni/python-pour-la-recherche.git

Ensuite, dans votre terminal, déplacez-vous dans le dossier du repo :

cd chemin/vers/python-pour-la-recherche

2. Créer un environnement virtuel et installer les dépendances

Un environnement virtuel est un espace isolé où seront installées les bibliothèques de ce cours, sans interférer avec d'autres projets Python sur votre machine. C'est une bonne pratique !

Trois façons de faire, au choix. Si vous découvrez Python, on vous recommande l'option uv qui est simple et rapide.

Option recommandée : uv

uv est un gestionnaire de paquets et de projets Python. Un outil moderne qui remplace des outils classiques comme pip, pip-tools, virtualenv, pyenv et pipx. Il s'installe une seule fois sur votre machine :

# Installer uv
curl -LsSf https://astral.sh/uv/install.sh | sh   # sur Mac / Linux

# sur Windows (PowerShell) :
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

Puis, depuis le dossier du repo :

# Créer l'environnement et installer les dépendances en une seule commande
uv sync

C'est tout !

Deuxième otion : pip + venv

Cette option utilise des outils déjà intégrés à Python, sans rien installer de plus.

# Créer l'environnement (une seule fois)
python3 -m venv venv
 
# Activer l'environnement (à refaire à chaque nouvelle session de travail)
source venv/bin/activate        # sur Mac / Linux
venv\Scripts\activate           # sur Windows
 
# Installer les bibliothèques du cours (une seule fois, une fois l'environnement activé)
pip install -r requirements.txt

Vous saurez que l'environnement est activé si son nom (venv) apparaît entre parenthèses au début de la ligne de commande dans votre terminal.

Troisième option : conda

*Vous utilisez déjà conda ?

conda env create -f environment.yml
conda activate python-pour-la-recherche

3. Lancer Jupyter

La commande à utiliser dépend de l'option choisie à l'étape précédente :

# Si vous avez utilisé uv (pas besoin d'activer d'environnement
uv run jupyter lab

# Si vous avez utilisé pip/venv ou conda (une fois l'environnement activé)
jupyter lab

Cette commande ouvre automatiquement un onglet dans votre navigateur avec l'interface JupyterLab. Dans le panneau de gauche, naviguez jusqu'au module voulu (ex. modules/00-prise-en-main/) et double-cliquez sur le fichier .ipynb pour l'ouvrir.

Pour arrêter Jupyter, retournez dans le terminal et faites Ctrl + C.

La prochaine fois que vous voulez travailler sur le cours :

• Avec uv : relancez simplement uv run jupyter lab.
• Avec pip/venv ou conda : réactivez l'environnement (étape 2, sans le recréer), puis relancez jupyter lab.

Jeux de données

Les jeux de données utilisées dans les modules se trouvent dans assets/datasets/. Ils sont soit fictifs (créés pour l'exercice), soit issus de sources ouvertes citées dans le README de chaque module.

Contribuer

Ces ressources sont amenées à évoluer. Les suggestions, corrections et retours sont les bienvenus.

Licence

Les ressources de ce repo sont distribuées sous double licence :

• Licence CC-BY-4.0, pour le contenu pédagogique ;
• Licence MIT, pour le code (notebooks, scripts, snippets).

---

Le logo Python est une marque déposée de la Python Software Foundation.