Pandas est la bibliothèque Python de référence pour analyser des données. Si vous passez des heures dans Excel à copier des colonnes, refaire les mêmes tableaux croisés chaque mois ou attendre qu'un fichier trop lourd s'ouvre, pandas fait le même travail en quelques lignes de code, réutilisables à l'infini.
Ce guide s'adresse aux personnes à l'aise avec Excel qui veulent passer à Python pour l'analyse de données. Vous y trouverez les équivalences Excel / pandas, un exemple complet pas à pas et les bons critères pour savoir quand changer d'outil.
Qu'est-ce que pandas ?
Pandas est une bibliothèque gratuite et open source pour Python, créée en 2008 et devenue l'outil standard des analystes de données. Elle repose sur un objet central, le DataFrame : un tableau avec des lignes et des colonnes nommées, exactement comme une feuille Excel.
La différence tient dans la méthode. Dans Excel, vous cliquez, filtrez et copiez à la main. Avec pandas, vous écrivez les étapes une fois. Le mois suivant, vous relancez le même script sur le nouveau fichier et obtenez le résultat en quelques secondes.
Pourquoi passer d'Excel à pandas ?
Excel est un excellent outil. Mais il atteint vite ses limites dans quatre situations :
- Les gros volumes : une feuille Excel est limitée à 1 048 576 lignes, et devient lente bien avant. Pandas traite plusieurs millions de lignes sur un ordinateur portable classique.
- Les tâches répétitives : le même reporting chaque semaine, les mêmes nettoyages sur chaque export. Un script pandas les refait à l'identique, sans oubli.
- Les fichiers multiples : consolider 12 fichiers mensuels ou croiser un export CRM avec un fichier de facturation prend quelques lignes au lieu d'une demi-journée de RECHERCHEV.
- La traçabilité : chaque étape est écrite noir sur blanc. On sait exactement comment un chiffre a été obtenu, ce qui est rarement le cas avec un classeur modifié par plusieurs personnes.
Exemple concret : un contrôleur de gestion qui consolide chaque mois les ventes de 8 agences passe souvent plusieurs heures à copier-coller et vérifier. Le même travail automatisé avec pandas tient dans un script d'une trentaine de lignes, exécuté en moins d'une minute.
Excel et pandas : le tableau des équivalences
Si vous savez faire ces opérations dans Excel, vous savez déjà ce que vous voulez obtenir avec pandas. Il ne reste qu'à apprendre la syntaxe.
| Dans Excel | Avec pandas |
|---|---|
| Ouvrir un classeur | pd.read_excel("fichier.xlsx") |
| Voir les premières lignes | df.head() |
| Filtrer une colonne | df[df["region"] == "Île-de-France"] |
| Trier | df.sort_values("chiffre_affaires") |
| Ajouter une colonne calculée | df["ca"] = df["quantite"] * df["prix"] |
| Supprimer les doublons | df.drop_duplicates() |
| Tableau croisé dynamique | df.pivot_table(...) ou df.groupby(...) |
| RECHERCHEV / RECHERCHEX | df.merge(autre_df, on="code_client") |
| Enregistrer sous | df.to_excel("resultat.xlsx") |
Premiers pas : installer Python et pandas
Trois options, de la plus simple à la plus complète :
- Google Colab : un carnet Python dans le navigateur, gratuit avec un compte Google, pandas déjà installé. Idéal pour tester en cinq minutes, mais à éviter pour des données sensibles de l'entreprise.
- Anaconda : une distribution qui installe Python, pandas et Jupyter en une fois sur votre ordinateur. Les données restent en local.
- Python + pip : pour ceux qui ont déjà Python, une seule commande suffit :
pip install pandas openpyxl(openpyxl sert à lire et écrire les fichiers Excel).
Vérifiez auprès de votre service informatique avant d'installer un logiciel sur un poste professionnel.
Exemple pas à pas : analyser un fichier de ventes
Exemple fictif, construit pour illustrer la démarche.
Vous disposez d'un fichier ventes.xlsx avec une ligne par commande : date, agence, produit, quantité, prix unitaire et code client. Objectif : obtenir le chiffre d'affaires par agence et par mois, puis l'enrichir avec le secteur de chaque client.
1. Charger et inspecter les données
import pandas as pd
ventes = pd.read_excel("ventes.xlsx")
ventes.head() # les 5 premières lignes
ventes.info() # colonnes, types, valeurs manquantes
ventes.describe() # statistiques sur les colonnes numériques
info() est le réflexe à prendre : il révèle immédiatement les colonnes mal typées (une date lue comme du texte) et les valeurs manquantes.
2. Nettoyer
ventes = ventes.drop_duplicates()
ventes = ventes.dropna(subset=["quantite", "prix_unitaire"])
ventes["date"] = pd.to_datetime(ventes["date"])
ventes["agence"] = ventes["agence"].str.strip().str.title()
La dernière ligne règle un problème classique : « paris », « Paris » et « Paris » (avec un espace) deviennent une seule et même agence.
3. Calculer et regrouper
ventes["chiffre_affaires"] = ventes["quantite"] * ventes["prix_unitaire"]
ventes["mois"] = ventes["date"].dt.to_period("M")
ca_par_agence = (
ventes.groupby(["agence", "mois"])["chiffre_affaires"]
.sum()
.reset_index()
)
C'est l'équivalent d'un tableau croisé dynamique, mais reproductible : le mois prochain, il suffit de relancer le script.
4. Croiser avec un autre fichier
clients = pd.read_excel("clients.xlsx") # code_client, secteur
ventes = ventes.merge(clients, on="code_client", how="left")
ca_par_secteur = ventes.groupby("secteur")["chiffre_affaires"].sum()
merge remplace la RECHERCHEV. L'option how="left" conserve toutes les ventes, même celles dont le client n'est pas trouvé : on peut ensuite les repérer et corriger le fichier client.
5. Exporter le résultat
ca_par_agence.to_excel("ca_par_agence.xlsx", index=False)
Le fichier produit s'ouvre dans Excel, prêt à être partagé ou mis en forme.
Deux usages qui font gagner le plus de temps
Consolider des dizaines de fichiers en une fois
C'est souvent le déclic pour passer à pandas. Douze exports mensuels rangés dans un dossier ? Une boucle les lit tous et les empile dans un seul tableau :
from pathlib import Path
fichiers = Path("exports").glob("ventes_*.xlsx")
ventes_annee = pd.concat(
[pd.read_excel(f) for f in fichiers],
ignore_index=True,
)
Ajoutez un treizième fichier dans le dossier : le script le prend en compte sans aucune modification. Dans Excel, la même consolidation se refait à la main chaque mois, avec le risque d'oublier un onglet.
Produire un graphique en une ligne
Pandas sait aussi tracer des graphiques simples, grâce à la bibliothèque matplotlib installée avec Anaconda :
ca_mensuel = ventes.groupby("mois")["chiffre_affaires"].sum()
ca_mensuel.plot(kind="bar", title="Chiffre d'affaires mensuel")
Pour des graphiques interactifs à partager, plotly express prend le relais avec une syntaxe proche. L'intérêt reste le même : le graphique se met à jour tout seul quand les données changent.
Les erreurs fréquentes quand on débute avec pandas
- Ne pas vérifier les types : une colonne de montants lue comme du texte à cause d'un symbole « € » ou d'une virgule décimale. Sur les fichiers français, utilisez
decimal=","à la lecture d'un CSV. - Oublier de réaffecter :
ventes.drop_duplicates()seul ne modifie pasventes. Il faut écrireventes = ventes.drop_duplicates(). - Fusionner sur des clés mal préparées : des codes clients avec des espaces ou des zéros manquants ne se rapprochent pas. Nettoyez les clés avant le
merge. - Vouloir tout faire d'un coup : avancez étape par étape et inspectez le résultat avec
head()après chaque transformation.
L'IA générative, un accélérateur pour apprendre pandas
ChatGPT, Claude ou Copilot savent écrire du code pandas à partir d'une demande en français : « regroupe les ventes par agence et par mois et calcule le total ». C'est un gain de temps réel, à une condition : comprendre ce que fait le code. Un assistant IA peut inventer un nom de colonne ou choisir une jointure qui duplique des lignes sans prévenir.
La bonne méthode : décrire précisément vos colonnes dans la demande, faire générer le code, puis vérifier chaque étape sur un échantillon. Microsoft propose aussi Python directement dans Excel dans certaines versions de Microsoft 365, ce qui permet d'utiliser pandas sans quitter le tableur.
Pour aller plus loin sur l'exploitation des données de l'entreprise, lisez notre article IA et data : vos données internes sont votre avantage concurrentiel.
Se former à Python et pandas
Pour apprendre pandas efficacement, deux formations se complètent :
- Les fondamentaux de Python (3 jours) : variables, conditions, boucles, listes, dictionnaires et fonctions. Le socle indispensable, même sans aucune expérience en programmation.
- Data Wrangling & Analyse de données avec Python (7 jours) : import de fichiers et d'API, nettoyage, agrégations, jointures, visualisation et mini-projet complet avec pandas.
Basé à Cergy, j'anime ces formations dans vos locaux à Paris et en Île-de-France, ou à distance, avec des groupes de 12 personnes maximum. Les exercices peuvent être construits sur des données proches des vôtres. Voir aussi la formation IA et data en entreprise en Île-de-France.
Ce qu'il faut retenir sur pandas
- Pandas est la bibliothèque Python standard pour analyser des données, gratuite et open source.
- Elle reprend la logique d'Excel (filtres, tableaux croisés, RECHERCHEV) avec du code réutilisable.
- Elle devient indispensable dès que les volumes grossissent ou que les traitements se répètent.
- Une dizaine de fonctions couvrent l'essentiel :
read_excel,info,drop_duplicates,groupby,pivot_table,merge,to_excel.
Réservez un échange de 30 min pour discuter de votre projet IA.
Questions fréquentes
Qu'est-ce que pandas en Python ?
Pandas est une bibliothèque Python gratuite et open source dédiée à la manipulation et à l'analyse de données. Elle permet de charger des fichiers (Excel, CSV, bases de données), de les nettoyer, de les filtrer, de les regrouper et de les croiser, à la manière d'un tableur, mais avec du code réutilisable.
Faut-il savoir programmer pour utiliser pandas ?
Il faut connaître les bases de Python : variables, listes, fonctions. Quelques jours suffisent pour les acquérir quand on part de zéro. Ensuite, une dizaine de fonctions pandas couvrent l'essentiel des besoins d'un analyste : lire un fichier, filtrer, grouper, fusionner et exporter.
Pandas peut-il remplacer Excel ?
Pas complètement, et ce n'est pas le but. Excel reste idéal pour saisir des données, faire un calcul ponctuel ou partager un tableau avec un collègue. Pandas prend le relais pour les traitements répétitifs, les gros volumes et les analyses qu'on veut pouvoir refaire à l'identique chaque mois.
Pandas peut-il ouvrir un fichier Excel ?
Oui. La fonction read_excel lit un fichier .xlsx (avec la bibliothèque openpyxl installée), y compris une feuille précise. À l'inverse, to_excel exporte un résultat vers un nouveau fichier Excel, prêt à être partagé.
Combien de temps faut-il pour apprendre pandas ?
Avec les bases de Python, quelques jours de pratique guidée permettent d'être autonome sur les opérations courantes : import, nettoyage, filtres, agrégations, jointures et graphiques. La maîtrise vient ensuite avec la pratique sur ses propres données.
Consultant et formateur IA, fondateur de Koudeclat
15+ ans d'expérience en Data et intelligence artificielle. Formateur partenaire ORSYS et AFNOR Compétences, intervenant à l'EFAP et à l'ICD Business School. Accompagne les entreprises, CFA et écoles de Paris et d'Île-de-France dans leur transformation IA.
Formations associées
Ce sujet vous intéresse ?
Échangeons sur vos enjeux IA lors d'un appel gratuit de 30 minutes. Consultant IA à Paris et en Île-de-France.



