Mitosheet : Excel pour Python ? Travailler avec des feuilles de calcul dans votre Jupyter Notebook

Name: Lynn Mikami

Published on 10/11/2023

Plongez dans le monde de Mitosheet, un outil révolutionnaire qui s'intègre parfaitement à JupyterLab et Streamlit. Ce guide couvre tout, de l'installation aux fonctionnalités avancées. Préparez-vous à élever votre jeu en science des données !

La science des données est un domaine en constante évolution qui exige des outils polyvalents pour la manipulation, l'analyse et la visualisation des données. Bien que les notebooks Jupyter soient une plateforme de choix pour de nombreux utilisateurs, il existe toujours des outils spécialisés qui peuvent faciliter la vie des scientifiques des données. C'est là qu'intervient Mitosheet, un outil révolutionnaire qui intègre la puissance des feuilles de calcul dans vos environnements JupyterLab et Streamlit. Cet article se veut un guide complet pour comprendre Mitosheet, ses fonctionnalités et comment l'intégrer à votre flux de travail en science des données.

This is gonna change Data Analytics forever!Introducing Mitosheets! 🚀Run spreadsheets inside your Jupyter Notebook & generate production-ready Python code for all the edits that you make!Check this out👇 pic.twitter.com/vD5wFgd8PC
— Akshay 🚀 (@akshay_pachaar) October 13, 2023

Que vous soyez un scientifique des données chevronné ou un débutant souhaitant vous familiariser avec des données du monde réel, Mitosheet offre une gamme de fonctionnalités qui peuvent simplifier votre travail. De l'installation de l'outil à l'exploration de ses fonctionnalités avancées, ce guide couvre tous les aspects. Alors, commençons !

Qu'est-ce que Mitosheet ?

Mitosheet est un outil dynamique conçu pour fonctionner dans les applications JupyterLab et Streamlit. Il vous permet de manipuler des structures de données Pandas dans une interface similaire à celle d'une feuille de calcul, comblant ainsi le fossé entre les feuilles de calcul traditionnelles et l'analyse de données basée sur Python. Mais ce qui distingue Mitosheet, c'est sa capacité à générer du code Python correspondant à chaque modification que vous apportez dans la feuille de calcul. Cela signifie que vous ne travaillez pas simplement dans un contexte isolé ; vous créez un code réutilisable pouvant être intégré à de plus grands projets Python.

Pourquoi Mitosheet est-il révolutionnaire ?

Facilité d'utilisation : L'interface intuitive de Mitosheet le rend accessible même aux personnes nouvelles dans le domaine de Python et de la science des données.
Génération de code : Chaque action que vous effectuez dans Mitosheet génère du code Python, en utilisant généralement la bibliothèque Pandas. Ce code est prêt à être utilisé en production et peut être utilisé dans d'autres parties de votre projet.
Compatibilité : Mitosheet est hautement compatible avec Python, ce qui en fait un ajout harmonieux à vos notebooks Jupyter existants ou à vos applications Streamlit.

Comment fonctionne Mitosheet ?

Lorsque vous effectuez une action dans Mitosheet, qu'il s'agisse d'une importation de données, d'une manipulation ou d'une visualisation, l'outil génère automatiquement le code Python équivalent. Par exemple, si vous filtrez une colonne pour n'afficher que certaines valeurs, Mitosheet produira un extrait de code Pandas qui effectue la même action. Ce code apparaît dans une cellule Jupyter juste en dessous de Mitosheet, prêt à être exécuté ou intégré à votre projet.

Voici un exemple simple. Supposons que vous avez un dataframe nommé df et que vous souhaitez filtrer les lignes où la colonne « Age » est inférieure à 25. Dans Mitosheet, il vous suffirait d'appliquer le filtre à l'aide de l'interface. Le code Python correspondant généré serait :

df_filtered = df[df['Age'] >= 25]

Cette fonctionnalité est particulièrement utile pour les personnes maîtrisant l'analyse de données mais qui ne se sentent pas à l'aise avec la programmation. Elle permet d'apprendre progressivement, en aidant les utilisateurs à comprendre comment leurs actions se traduisent en code Python.

En offrant un mélange de simplicité des feuilles de calcul et de puissance Pythonique, Mitosheet se fraye un chemin dans l'arsenal de la science des données. Que vous effectuiez une analyse exploratoire des données, un nettoyage des données ou des visualisations, Mitosheet offre un moyen efficace et optimisé d'accomplir la tâche.

Comment installer Mitosheet

L'installation de Mitosheet est un processus simple qui peut être réalisé de différentes manières, en fonction de votre environnement préféré. La méthode la plus courante consiste à utiliser le gestionnaire de paquets de Python, pip. Cependant, Mitosheet offre également la flexibilité d'une installation dans des conteneurs Docker et directement dans des applications Streamlit.

Installer Mitosheet avec pip

La façon la plus simple d'installer et de mettre en place Mitosheet est d'utiliser pip, le gestionnaire de paquets de Python. Ouvrez votre terminal et exécutez la commande suivante :

pip install mitoinstaller

Une fois l'installation terminée, vous devrez exécuter l'installateur :

python -m mitoinstaller install

Cette commande installe Mitosheet à la fois pour les notebooks Jupyter classiques et JupyterLab 3.0. Le processus est généralement rapide, mais la durée peut varier en fonction de votre système.

Installer Mitosheet dans des conteneurs Docker

Docker offre un moyen de regrouper toutes les dépendances de votre application dans un conteneur, ce qui facilite la distribution et l'exécution. L'installation de Mitosheet dans un conteneur Docker garantit que toutes les dépendances sont soigneusement encapsulées, offrant un environnement cohérent. Voici comment procéder :

Créez un fichier Dockerfile : Commencez par créer un fichier Dockerfile dans votre répertoire de projet.
Spécifiez l'image de base : Utilisez une image Python comme image de base. Ajoutez la ligne suivante à votre Dockerfile :
```
FROM python:3.8
```
Installez Jupyter Notebook : Mitosheet est une extension pour Jupyter, vous devrez donc installer Jupyter Notebook ou JupyterLab. Ajoutez ces lignes à votre Dockerfile :

RUN pip install notebook

Installer Mitosheet: Maintenant, installez Mitosheet en ajoutant la commande suivante:
```
RUN pip install mitosheet
```
Activer l'extension Mitosheet: Enfin, activez l'extension Mitosheet pour le carnet Jupyter.
```
RUN jupyter nbextension enable mitosheet --py --sys-prefix
```
Construire l'image Docker: Enregistrez votre Dockerfile et construisez l'image en utilisant la commande suivante:
```
docker build -t my-mitosheet-container .
```
Exécuter le conteneur: Une fois l'image construite, exécutez-la en utilisant:
```
docker run -p 8888:8888 my-mitosheet-container
```

Installation de Mitosheet dans des applications Streamlit

Streamlit est un framework populaire pour créer des applications web avec Python. Vous pouvez intégrer directement Mitosheet dans vos applications Streamlit pour tirer parti de ses capacités de manipulation des données. Voici comment faire:

Installer Streamlit: Si ce n'est pas déjà fait, installez Streamlit en utilisant pip:
```
pip install streamlit
```
Installer Mitosheet: Installez Mitosheet avec la commande suivante:
```
pip install mitosheet
```
Importer dans votre application: Dans votre application Streamlit, importez Mitosheet comme suit:
```
import mitosheet
```
Initialiser Mitosheet: Pour initialiser Mitosheet dans votre application Streamlit, utilisez le code suivant:
```
mitosheet.sheet()
```

Installation de l'extension Mitosheet pour Jupyter Notebook

Si vous êtes un scientifique des données ou un chercheur travaillant principalement dans des notebooks Jupyter, l'installation de l'extension Mitosheet est simple.

Installer Mitosheet: Ouvrez votre terminal et exécutez la commande suivante pour installer Mitosheet:
```
pip install mitosheet
```
Activer l'extension: Activez l'extension Mitosheet pour Jupyter Notebook avec cette commande:
```
jupyter nbextension enable mitosheet --py --sys-prefix
```
Vérifier l'installation: Ouvrez un nouveau notebook Jupyter et exécutez le code Python suivant pour initialiser Mitosheet:
```
import mitosheet
mitosheet.sheet()
```

Création de votre première Mitosheet

Après avoir installé Mitosheet avec succès, la prochaine étape consiste à créer votre première Mitosheet et à vous familiariser avec ses fonctionnalités. Créer une nouvelle Mitosheet est aussi simple que de cliquer sur un bouton dans votre interface JupyterLab ou Streamlit.

Importation de données dans Mitosheet

Mitosheet prend en charge les imports CSV et XLSX par simple clic, ce qui facilite grandement l'importation de vos données dans l'outil. Voici comment procéder :

Ouvrez une nouvelle Mitosheet en cliquant sur l'icône Mitosheet.
Accédez à l'onglet "Import".
Choisissez le fichier que vous souhaitez importer et cliquez sur "Ouvrir".

Vos données seront maintenant affichées dans une interface similaire à un tableur, prêtes à être manipulées.

Opérations de base dans Mitosheet

Une fois vos données importées, vous pouvez effectuer une variété d'opérations :

Filtrage et tri: Filtrez et triez facilement les colonnes à l'aide de la barre d'outils en haut de chaque colonne.
Tableaux croisés dynamiques: Créez des tableaux croisés dynamiques de style Excel pour résumer vos données.
Opérations de colonnes: Effectuez des calculs de base et des transformations sur les colonnes.

Par exemple, si vous souhaitez calculer l'âge moyen dans une colonne nommée "Age", vous devez simplement sélectionner la colonne, accéder à l'onglet "Operations" et choisir "Average". Mitosheet effectuera non seulement le calcul, mais générera également le code Python correspondant :

average_age = df['Age'].mean()

Créer votre première Mitosheet est un jeu d'enfant, et son interface intuitive vous permet de démarrer rapidement, quel que soit votre niveau d'expertise. Avec des fonctionnalités telles que l'importation de données par simple clic et une multitude d'options de manipulation des données, Mitosheet est conçu pour faciliter au maximum votre flux de travail d'analyse des données.

Pour ouvrir votre environnement virtuel Mitosheet existant, suivez ces étapes :

# Activer votre environnement
conda activate mitoenv
 
# Lancer Jupyter Lab
jupyter lab

Comment utiliser les fonctions dans Mitosheet

Mitosheet n'est pas juste un autre outil de tableur ; c'est une plateforme complète qui offre une large gamme de fonctions spécialement conçues pour l'analyse et la manipulation des données. Des opérations de base telles que le filtrage et le tri aux fonctionnalités plus avancées telles que la visualisation des données, Mitosheet a tout ce qu'il faut.

Fonctions de manipulation des données

Mitosheet excelle en proposant une variété de fonctions de manipulation des données. Voici quelques-unes des fonctionnalités clés:

Transformations de colonnes: Appliquez facilement des transformations telles que le logarithme, la racine carrée et les fonctions trigonométriques à des colonnes entières.
Opérations de texte: Effectuez des manipulations de texte telles que l'extraction de sous-chaîne, la conversion de casse et la correspondance de motifs directement dans Mitosheet.
Fonctions de date et d'heure: Manipulez facilement les données de date et d'heure grâce aux fonctions intégrées de Mitosheet pour l'analyse, le formatage et les calculs de date.

Par exemple, si vous souhaitez extraire l'année à partir d'une colonne de dates nommée "Purchase_Date", Mitosheet générera du code Python comme ceci:

df['Year'] = df['Purchase_Date'].dt.year

Visualisation des données dans Mitosheet

L'une des fonctionnalités les plus remarquables de Mitosheet est sa capacité de visualisation des données. Vous pouvez créer une variété de graphiques directement dans l'outil, notamment :

Graphiques à barres
Graphiques linéaires
Graphiques circulaires
Nuages de points

Créer un graphique est aussi simple que de sélectionner les données et de choisir le type de graphique. Mitosheet s'occupe du reste, en générant même du code Python à l'aide de bibliothèques telles que Matplotlib ou Seaborn.

MitoSheet Créer un Graphique

Fonctionnalités avancées

Mitosheet offre également des fonctionnalités avancées qui peuvent être incroyablement utiles pour des tâches d'analyse de données plus complexes :

Opérations de jointure : Effectuez des jointures de type SQL entre différents dataframes.
Regroupement et agrégation : Utilisez la fonction "Group By" pour agréger les données en fonction de colonnes spécifiques. Par exemple, si vous souhaitez trouver le total des ventes pour chaque catégorie de produit, vous effectuez une opération "Grouper par" sur la colonne "Category", puis vous additionnez la colonne "Sales". Le code Python généré ressemblerait à ceci :

df_grouped = df.groupby('Category')['Sales'].sum().reset_index()

En offrant une large gamme de fonctions répondant aux besoins de base et avancés de manipulation des données, Mitosheet se présente comme un outil polyvalent dans la boîte à outils de la science des données. Sa capacité à générer du code Python pour chaque opération permet non seulement de faciliter l'intégration de votre travail dans de plus grands projets, mais également de servir d'outil d'apprentissage pour comprendre comment ces opérations sont effectuées de manière programmatique.

Génération automatique de code Python pour les feuilles de calcul avec Mitosheet AI

Mitosheet n'est pas seulement un outil statique de manipulation des données ; il intègre également des fonctionnalités d'IA qui peuvent accélérer considérablement votre processus d'analyse des données. Ces fonctionnalités d'IA sont conçues pour automatiser les tâches répétitives, rendant votre flux de travail plus efficace.

Every edit you make to the @tryMito spreadsheet automatically generates Python code.Take automation into your own hands using the tools you already know.Check this out👇https://t.co/hvrhzKUHzx (opens in a new tab) pic.twitter.com/xc6GCb7aC7
— Akshay 🚀 (@akshay_pachaar) October 13, 2023

Suggestions automatiques et analyse prédictive

L'une des fonctionnalités d'IA les plus excitantes de Mitosheet est sa capacité à offrir des suggestions automatiques basées sur vos données. Par exemple, si vous travaillez avec un ensemble de données qui inclut diverses métriques telles que les ventes, les revenus et les évaluations des clients, Mitosheet peut suggérer automatiquement des visualisations pertinentes ou des tests statistiques qui pourraient être utiles pour votre analyse.

Détection d'anomalies

Une autre fonctionnalité puissante de l'IA est la détection d'anomalies. Si votre ensemble de données contient des valeurs aberrantes ou des anomalies, Mitosheet peut les signaler automatiquement. Cela est particulièrement utile dans des scénarios tels que la détection de la fraude ou le contrôle de la qualité, où il est crucial d'identifier rapidement les anomalies.

Automatisation du nettoyage des données

Le nettoyage des données est souvent la partie la plus chronophage de tout processus d'analyse des données. Les capacités d'IA de Mitosheet peuvent automatiser de nombreux aspects du nettoyage des données. De la gestion des valeurs manquantes à la correction des types de données, Mitosheet peut s'occuper de tout, vous faisant gagner un temps précieux.

Par exemple, si vous avez une colonne avec des valeurs manquantes, Mitosheet peut automatiquement les remplir en fonction de la moyenne, de la médiane ou du mode de la colonne. Le code Python généré pourrait ressembler à ceci :

df['Column_Name'].fillna(df['Column_Name'].mean(), inplace=True)

En intégrant l'IA à ses fonctionnalités essentielles, Mitosheet va au-delà d'un simple outil de feuille de calcul. Il devient un assistant intelligent qui peut vous guider tout au long de votre parcours d'analyse des données, en faisant des recommandations et en automatisant des tâches en cours de route.

Comment utiliser le code généré dans Mitosheet

L'une des fonctionnalités les plus intéressantes de Mitosheet est sa capacité à générer du code Python pour chaque action que vous effectuez dans l'outil. Ce code n'est pas seulement un sous-produit ; c'est un atout précieux qui peut être utilisé de différentes manières.

Intégration du code dans Jupyter Notebooks

Chaque opération que vous effectuez dans Mitosheet est automatiquement traduite en code Python qui apparaît dans une cellule Jupyter sous Mitosheet. Ce code peut être exécuté directement dans le cahier, vous permettant de voir les résultats immédiatement.

Réutilisabilité et collaboration

Le code généré est également très réutilisable. Vous pouvez facilement le copier dans d'autres scripts Python ou cahiers Jupyter. Cela est particulièrement utile pour les projets de collaboration où vous pourriez avoir besoin de partager vos étapes de manipulation des données avec des membres de l'équipe.

Par exemple, si vous avez filtré et trié un dataframe dans Mitosheet, le code généré peut être partagé avec un collègue qui peut ensuite appliquer les mêmes transformations à un ensemble de données similaire. Le code pourrait ressembler à ceci :

df_filtered_sorted = df[df['Age'] > 25].sort_values(by='Salary', ascending=False)

Alternatives à Mitosheet

Bien que Mito propose une combinaison unique d'interface de type tableur et de génération de code Python pour l'analyse des données, il existe d'autres outils et bibliothèques que vous pourriez envisager :

PandasGUI : Il s'agit d'une bibliothèque Python qui offre une interface graphique pour les dataframes Pandas. Elle permet de manipuler facilement les données, mais ne génère pas de code Python en fonction de vos activités.
DataPrep : Cette bibliothèque Python vise à simplifier le processus de préparation des données en offrant différentes fonctionnalités pour nettoyer, visualiser et comprendre les données.
Jupyter Widgets : Il s'agit de widgets interactifs pour les cahiers Jupyter. Bien qu'ils ne soient pas une alternative directe, ils peuvent être utilisés pour créer des tableaux de bord interactifs pour l'analyse des données dans un cahier Jupyter.
Tableau : Un outil bien connu de visualisation des données qui permet également une certaine manipulation des données. Il n'est pas basé sur Python, mais offre des fonctionnalités robustes.
Excel Power Query : Pour ceux qui sont plus à l'aise avec Excel, Power Query offre une gamme de capacités de manipulation des données, y compris une interface graphique pour la transformation des données.

Jupyter IA: Utilisez ChatGPT dans votre notebook Jupyter Open Interpreter : Laissez LLM Exécuter Votre Code en Local !