Nicobungy a écrit :Tu peux me faire un petit topo comment ça marche ?
Est ce que l'on peut traiter des sources de données extérieurs (des mesures sur la durée avec traitement des comparatifs) pour avoir un rendu, graphiques ou résultats ?
Je m'explique: nous mettons en place une MSP (définition plus haut) dans mon service SQHE (en gros, la qualité). Le but est de garantir une capabilité des machines afin d'obtenir une fiabilité des caractéristiques techniques de nos produits. Usure, régalages, dérives ...... etc
Est-ce pertinent d'utiliser python ?
R est logiciel dédié à l’analyse statistique et à la visualisation de données. Il permet de manipuler des données, l’utilisation de techniques de statistiques et de visualisation.
Il marche sous forme de commandes tapées au clavier qui sont directement exécutées.
L’avantage est de pouvoir disposer de bibliothèques avec beaucoup de fonctions statistiques – beaucoup sont directement disponibles via des packages que tu peux télécharger gratuitement sur le net.
C'est un langage informatique, il nécessite donc un apprentissage.
Python est un langage de programmation qui s’utilise dans de nombreux contextes et possède également de nombreuses bibliothèques spécialisées.
C'est un langage qui permet de faire plus de chose qu'en R, surtout qu'il se popularise plus. Disons que R est plus spécialisé. Si je devais faire un process le plus automatique possible je partirais sur du Python.
Au travail, quand on part sur de l'analyse de donnée manuelle on part sur du R. Un exemple, à partir d'un fichier de données il est extrêmement rapide de faire une analyse en composante principale, un clsutering ou un test statistique. Globalement, nous avons les instruction prêtes, il suffit de dérouler / et adapter.
Quand on part sur des choses un petit peu plus automatique on va sur du Python. On a aussi certaines procédure d'analyses présentent sur Python car le temps de calcul y est réduit. On a lancé une plate-forme qui est codée en back en bonne partie en Python.
Donc oui, on peut traiter des sources de données extérieures.
Sur R, tu as des bibliothèques comme openxslx ou xlsx qui te permettent la lecture et l'écriture sur des fichiers excels.
Tu peux aussi avoir la fonction read.csv pour lire des csv. De même sur Python avec la bilbiothque panda et la fonction read_csv.
Pour les rendus graphique également, python et R ont de nombreuses bibliothèques pour de nombreux graphiques qui ne sont pas forcément disponibles sur Excel.
Pour savoir s'il est pertinent ou non d'utiliser ces langages... cela dépend de ton contexte:
- est-ce que l'utilisation d'Excel suffit avec les problématiques de qualité que vous avez:
si non 1/ quelles sont les limites 2/ voir quels fonctions / actions peuvent y répondre. 3/ Voir quel outil peut effectuer ces fonctions. 4/ Validation de la méthode
si oui: est-ce que l'utilisation d'Excel occupe trop de ressources dans ton entreprise ? Si tu as un gain potentiel: à voir comment automatiser cela dans le contexte. Ayant travaillé en banque, beaucoup (trop) de process sont semi-auto et dépendent d'Excels à un moment dans le flux de travail. Néanmoins, le gain du "tout-automatique" n'est pas toujours vrai.
