Excel est un excellent outil. Alors pourquoi apprendre Python ? Parce que certaines tâches y deviennent longues, fragiles ou impossibles, et que Python les rend simples et reproductibles.
Quatre limites du tableur
| Situation | Dans un tableur | Avec Python |
|---|---|---|
| Gros volumes | Lent au-delà de quelques centaines de milliers de lignes, limite à 1 048 576 lignes | Des millions de lignes en quelques secondes |
| Tâche répétée chaque mois | Les mêmes clics, à refaire, avec le risque d'en oublier un | Un script qui refait tout à l'identique, en une seconde |
| Traçabilité | Difficile de savoir ce qui a été fait et dans quel ordre | Chaque étape est écrite, relisible, commentée |
| Au-delà du tableau | API, textes, machine learning : peu ou pas possible | Des milliers de bibliothèques gratuites |
À retenir
Python ne remplace pas Excel : il le complète. Beaucoup d'analystes préparent leurs données avec Python et livrent un classeur Excel bien présenté. C'est exactement ce que vous ferez au jour 14.
Ce qu'est Python
Python est un langage de programmation créé en 1991, gratuit et open source. Sa syntaxe est proche de l'anglais, ce qui le rend lisible :
if montant >= 150:
frais_port = 0
Il est utilisé partout : analyse de données, sites web, automatisation, recherche scientifique, intelligence artificielle. Les modèles d'IA que vous utilisez ont d'ailleurs été entraînés en grande partie avec du code Python.
Les bibliothèques : la vraie force de Python
Une bibliothèque (ou module, ou paquet) est un ensemble d'outils prêts à l'emploi. Vous en utiliserez quelques-unes :
| Bibliothèque | Rôle | Équivalent tableur |
|---|---|---|
| pandas | Tableaux de données | Feuilles, filtres, TCD, RECHERCHEX |
| matplotlib | Graphiques | Graphiques |
| openpyxl | Lire et écrire des classeurs Excel mis en forme | Mise en forme |
| requests | Interroger des services web (API) | Power Query, en partie |
| scikit-learn | Machine learning | Aucun |
Du tableur à Python : ce qui change dans la tête
- Dans un tableur, vous voyez les données et vous agissez dessus. En Python, vous décrivez les actions, et Python les applique à toutes les lignes.
- Une formule s'applique cellule par cellule ; une instruction pandas s'applique à une colonne entière d'un coup.
- Un classeur mélange données et calculs ; en Python, les données restent intactes dans le fichier source, et le code produit un nouveau résultat. Vous ne risquez plus d'écraser une donnée par erreur.
Le même calcul, deux mondes
Dans Excel : =SOMME.SI.ENS(M:M; F:F; "Sarah Morel").
En Python avec pandas : ventes[ventes["commercial"] == "Sarah Morel"]["montant_ht"].sum().
C'est plus long à écrire, mais cela se combine, se relit et se réexécute sur le fichier du mois suivant sans rien retoucher.
Et l'IA dans tout ça ?
Les assistants IA écrivent très bien du Python, souvent mieux que des formules Excel, parce qu'ils ont été entraînés sur des millions de programmes publics. C'est une chance énorme pour un débutant : vous pouvez demander, comprendre, corriger. Mais l'IA se trompe aussi : nom de colonne inventé, hypothèse fausse sur vos données, calcul juste mais question mal comprise. Ce parcours vous apprend à lire le code produit et à le vérifier.
Un piège fréquent
« L'IA écrit le code, donc je n'ai pas besoin d'apprendre. » En réalité, c'est l'inverse : plus l'IA écrit vite, plus vous devez être capable de repérer ce qui cloche. Un code qui tourne sans erreur peut parfaitement donner un résultat faux.