Python SciPy statsmodels en la práctica: el código y los comandos que realmente importan

import pandas as pd
import numpy as np
from statsmodels.tsa.arima.model import ARIMA

# --- Recrear la serie de ventas mensuales ---
np.random.seed(42)
dates = pd.date_range(start="2020-01", periods=48, freq="ME")
tendance = np.arange(48) * 1.0
mois = dates.month
saisonnalite = 10 * np.sin(2 * np.pi * (mois - 3) / 12)
bruit = np.random.normal(0, 3, 48)
ventes = 100 + tendance + saisonnalite + bruit
serie = pd.Series(ventes, index=dates, name="Ventes")

# --- Dividir : 38 meses para aprender, 10 meses para probar ---
train = serie.iloc[:38]   # datos de entrenamiento
test  = serie.iloc[38:]   # datos de prueba (el futuro conocido)

print(f"Entrainement : {len(train)} mois")
print(f"Test         : {len(test)} mois")

# --- Crear y ajustar el modelo ---
# order=(p, d, q) = (1, 1, 1) : ajuste básico
modele = ARIMA(train, order=(1, 1, 1))
resultat = modele.fit()

# Mostrar un resumen corto
print(f"AIC du modele : {resultat.aic:.2f}")
print("Modele ajuste avec succes !")

# Generar una previsión para 10 meses
prevision = resultat.forecast(steps=10)

# Comparar previsión vs valores reales
comparaison = pd.DataFrame({
    "Reel"    : test.values.round(1),
    "Prevision": prevision.values.round(1),
    "Erreur"  : (test.values - prevision.values).round(1)
}, index=test.index)

print(comparaison)

mae = np.abs(test.values - prevision.values).mean()
print(f"Erreur moyenne absolue (MAE) : {mae:.1f} unites")
print(f"Moyenne des ventes reelles   : {test.mean():.1f} unites")
print(f"Erreur relative              : {mae / test.mean() * 100:.1f}%")

import numpy as np                   # np es más corto a ecrire que numpy
from scipy import stats              # on importe uniquement le module stats de SciPy
import matplotlib.pyplot as plt      # plt est l'alias standard pour tracer des graphiques

notes = np.array([
    72, 85, 91, 63, 78, 55, 88, 94, 70, 82,
    66, 79, 87, 61, 90, 75, 83, 68, 77, 95
])

print("Nombre d'etudiants :", len(notes))
print("Notes              :", notes)

moyenne = np.mean(notes)
mediane = np.median(notes)
ecart_type = np.std(notes)
minimum = np.min(notes)
maximum = np.max(notes)

print(f"Moyenne    : {moyenne:.2f}")
print(f"Mediane    : {mediane:.2f}")
print(f"Ecart-type : {ecart_type:.2f}")
print(f"Minimum    : {minimum}")
print(f"Maximum    : {maximum}")

asymetrie = stats.skew(notes)
aplatissement = stats.kurtosis(notes)
description = stats.describe(notes)

print(f"Asymetrie (skewness)   : {asymetrie:.4f}")
print(f"Aplatissement (kurt)   : {aplatissement:.4f}")
print()
print("Description complete par scipy.stats.describe() :")
print(description)

plt.figure(figsize=(8, 4))
plt.hist(notes, bins=8, color='steelblue', edgecolor='white', alpha=0.8)
plt.axvline(moyenne, color='red', linestyle='--', label=f'Moyenne ({moyenne:.1f})')
plt.axvline(mediane, color='orange', linestyle='-', label=f'Mediane ({mediane:.1f})')
plt.xlabel("Note sur 100")
plt.ylabel("Nombre d'etudiants")
plt.title("Distribution des notes de la classe")
plt.legend()
plt.tight_layout()
plt.show()

import numpy as np

# Un tableau de 7 temperatures de la semaine
temperatures = np.array([18.5, 22.1, 19.8, 25.3, 21.0, 17.2, 23.4])
#                          [0]   [1]   [2]   [3]   [4]   [5]   [6]

print( temperatures[0] )   # 18.5  -> lundi (1ere valeur)
print( temperatures[2] )   # 19.8  -> mercredi (3e valeur)
print( temperatures[-1] )  # 23.4  -> dimanche (derniere valeur)
print( temperatures[-2] )  # 17.2  -> samedi (avant-derniere)

temperatures = np.array([18.5, 22.1, 19.8, 25.3, 21.0, 17.2, 23.4])

# Les 3 premiers jours (lundi, mardi, mercredi)
print( temperatures[:3] )     # debut omis = depuis le debut

# Du mardi au vendredi (index 1 a 4, 4 exclu)
print( temperatures[1:4] )

# Les 2 derniers jours
print( temperatures[-2:] )    # fin omise = jusqu'a la fin

# Un jour sur deux (lundi, mercredi, vendredi, dimanche)
print( temperatures[::2] )

temperatures = np.array([18.5, 22.1, 19.8, 25.3, 21.0, 17.2, 23.4])

# Etape 1 : quel jour fait-il plus de 21 degres ?
masque = temperatures > 21
print("Masque :", masque)
# True la ou c'est superieur a 21, False sinon

# Etape 2 : garder seulement ces valeurs
print("Jours > 21 degres :", temperatures[masque])

# On peut aussi faire les deux etapes en une seule ligne :
print("Jours < 20 degres :", temperatures[temperatures < 20])

data = np.array([4.0, 9.0, 16.0, 25.0])

# np.sqrt = racine carree de chaque valeur
print("Racine carree :", np.sqrt(data))

# np.log = logarithme naturel de chaque valeur
print("Logarithme    :", np.round(np.log(data), 2))

# np.abs = valeur absolue (enleve le signe negatif)
nombres = np.array([-3, 5, -7, 2])
print("Valeur absolue:", np.abs(nombres))

ventes = np.array([1200, 850, 1500, 970, 1100, 1350, 780])

print("Total de la semaine :", np.sum(ventes))
print("Moyenne journaliere :", np.mean(ventes).round(1))
print("Journee la plus haute :", np.max(ventes))
print("Journee la plus basse :", np.min(ventes))

# cumsum : total cumulatif jour par jour
print("Cumul jour par jour  :", np.cumsum(ventes))