Python pour Excel : apprennez à utiliser Python sur Excel pour la science des données et la finance
Intégrez Excel et Python et obtenez le meilleur des deux mondes ! Les débutants Python sont les bienvenus. Utilisez Pandas, Seaborn & co. dans Excel
Automatisez Excel avec du code Python propre et puissant
Apprendre et maîtriser la bibliothèque xlwings de 0 à 100
Utilisez Excel comme interface utilisateur graphique (GUI) et exécutez votre code Python avec Excel
Créez de puissantes applications de tableau de bord avec Excel (frontend) et Python (backend)
Utilisez de puissants outils de visualisation de données (Matplotlib, Seaborn) dans Excel
Apprenez Python à partir de zéro avec un cours accéléré sur mesure (pour les débutants en Python)
Écrivez des UDF (fonctions définies par l'utilisateur) et utilisez les bibliothèques Numpy, Pandas et Machine Learning directement dans Excel
Écrivez des outils Excel avec Python au lieu de VBA et appelez votre code directement depuis Excel
Utilisez xlwings pour automatiser les rapports Excel avec Python
Prototypes d'applications Web
Écrire et utiliser des tableaux dynamiques avec xlwings
Exécutez votre modèle financier 10 000 fois et plus avec une simulation Python Monte Carlo
Charger les données (financières) des API Web directement dans Excel
Exécutez des scripts Python depuis Excel avec Run main et RunPython
Remplacez les macros VBA par du code Python propre et puissant
(Info : Le cours est mis à jour en juillet 2023 !)
Excel vs. Python : quel est le meilleur outil pour la science des données, les affaires et la finance ?
La réponse est : Utilisez Excel et Python ensemble et intégrez les deux outils avec xlwings. Obtenez le meilleur de deux mondes !
Avec xlwings, vous pouvez utiliser les bibliothèques Python Data Science comme Numpy, Pandas, Scipy, Matplotlib, Seaborn et Scikit-learn directement dans Excel ! Vous pouvez exécuter du code Python dans Excel et booster vos projets Excel ! De plus en plus de professionnels et de développeurs utilisent
- Excel comme frontend
- Python comme backend analytique.
Ce cours est le choix parfait pour
- Codeurs Python expérimentés : Utiliser Excel comme interface graphique utilisateur (GUI) | Exécutez vos scripts Python avec Excel | Présentez vos résultats avec les tableaux de bord Excel.
- Utilisateurs Excel et débutants complets en Python : Boostez vos projets Excel avec du code Python propre et puissant !
- Groupes mixtes : les non-codeurs peuvent exécuter et utiliser du code Python simplement en cliquant sur les boutons dans Excel.
Pourquoi suivre ce cours ?
- Vous apprendrez et maîtriserez la bibliothèque xlwings à partir de zéro
- Pour les utilisateurs d’Excel et les débutants complets en Python : ce cours comprend un cours intensif Python conçu sur mesure pour vous !
- C’est le cours xlwings le plus complet et le plus pratique (pratique) du Web
- Il couvre trois projets complets du monde réel.
- Projet 1 : Vous apprendrez à améliorer votre modèle financier dans Excel en ajoutant une simulation Python Monte Carlo – Exécutez votre calcul Excel 10 000 fois avec différents ensembles d’entrées et analysez les résultats !
- Projet 2 : vous apprendrez à créer des applications de tableau de bord boursier de type Bloomberg avec Excel (interface utilisateur graphique) et Python (backend analytique).
- Projet 3 : Vous apprendrez à utiliser les méthodes et fonctions Pandas sur vos ensembles de données directement dans Excel.
Pourquoi utiliser Excel ?
Il n’y a pas de meilleure interface utilisateur graphique (GUI) et outil de création de rapports qu’Excel. Excel l’est
- largement répandu (750 millions d’utilisateurs)
- standardisé
- utilisation intuitive
- la plupart des utilisateurs sont bien formés
- il nécessite une configuration faible/zéro
- il nécessite peu/aucun entretien
- et c’est toujours le meilleur choix pour les modèles et amp; calculs sur feuille de calcul
Pourquoi utiliser Python ?
Avec des centaines de bibliothèques puissantes, Python est le premier choix pour la science des données, l’apprentissage automatique et l’analyse avancée dans les domaines des affaires et de la finance. L’écosystème Python est bien plus puissant et polyvalent que VBA. Et c’est plus propre et plus facile à apprendre et à appliquer !
Pourquoi apprendre et maîtriser les xlwings ?
xlwings est l’outil parfait pour intégrer Excel et Python ! xlwings vous permet de
- Automatisez Excel à partir de Python, par ex. pour produire des rapports ou interagir avec les notebooks Jupyter.
- Écrivez des macros en Python que vous pouvez exécuter à partir de boutons dans Excel, par ex. pour charger des données à partir d’une base de données ou d’une API externe.
- Écrivez des UDF (fonctions définies par l’utilisateur) et exploitez la puissance de NumPy, Pandas et des bibliothèques d’apprentissage automatique.
- Exploitez la pile scientifique de Python pour l’analyse interactive des données à l’aide de Jupyter Notebooks, NumPy, Pandas, scikit-learn, etc.
- Utilisez xlwings pour automatiser les rapports Excel avec Python.
- Écrivez des outils Excel avec Python au lieu de VBA et appelez votre code directement depuis Excel, par ex. via un bouton sur la feuille.
- Cela fonctionne également très bien pour le prototypage d’applications Web.
- Écrivez des UDF (tableaux) en un clin d’œil en profitant de toutes les fonctionnalités déjà disponibles dans des bibliothèques comme NumPy et Pandas.
- Les formules matricielles dynamiques sont prises en charge.
Au plaisir de vous voir dans le cours !
Getting Started
1
Introduction (don´t skip!)
2
Course Overview (don´t skip!)
3
Tips: How to get the most out of this Course (don´t skip!)
4
FAQ / Your Questions answered
5
How to download and install Anaconda for Python coding
6
Jupyter Notebooks - let´s get started
7
How to work with Jupyter Notebooks
First Steps with xlwings (Reading and Writing Elements)
1
Introduction and Downloads
2
How to install xlwings
3
How to use xlwings as a Data Viewer
4
Data Viewer - Update
5
How to connect to an Excel Workbook
6
How to read and write single Values
7
How to assign a name
8
How to write Excel Functions with Python
9
Range Shortcuts
10
Case Study - Bringing it all together
11
Homework
Reading and writing many Values
1
Section Downloads
2
One-dimensional Data Structures
3
How to write Values vertically
4
Rows and Columns (1dim vs. 2dim)
5
How to read two-dimensional Data Structures
6
Advanced Reading with expand
7
How to write two-dimensional Data Structures
8
Range Indexing and Slicing
9
Efficiency
10
Homework
Project 1: Monte Carlo Simulations in Excel with Python (Part 1)
1
Introduction
2
Section Downloads
3
The Excel Model explained (Part 1)
4
The Excel Model explained (Part 2)
5
Running a simple Monte Carlo Simulation
6
A more advanced and realistic Monte Carlo Simulation
7
Final Considerations
Running Python Scripts in Excel - RunPython
1
Introduction and Downloads
2
Installing the xlwings add-in and other preparations
3
Running Python Scripts with "Run main"
4
Troubleshooting (Part 1)
5
All you need to know about VBA Macros
6
Running Python Scripts with "RunPython"
7
Troubleshooting (Part 2)
8
Run main vs RunPython
9
Excursus: Converting Jupyter Notebooks to .py
10
Homework
Project 1: Monte Carlo Simulations in Excel with Python (Part 2)
1
Introduction and Downloads
2
Monte Carlo Simulation with RunPython (Part 1)
3
Monte Carlo Simulation with RunPython (Part 2)
Using Matplotlib and Seaborn in Excel with xlwings
1
Introduction and Downloads
2
How to write a Matplotlib Plot into Excel
3
How to update the Plot
4
How to change Size and Position (Part 1)
5
How to change Size and Position (Part 2)
6
How write a Seaborn Plot into Excel
7
How to create Excel Charts with Python
8
Homework: Adding a Plot to the Monte Carlo Simulation (Project 1)
Project 2: Build Dashboard Apps with Excel (GUI) and Python (analytical backend)
1
Introduction and Downloads
2
IMPORTANT NOTICE (Update January 23)
3
Stock Performance Analysis during COVID-19 with Python & Pandas (Part 1)
4
Stock Performance Analysis during COVID-19 with Python & Pandas (Part 2)
5
Stock Performance Analysis during COVID-19 with Python & Pandas (Part 3)
6
Building a Stock Performance Dashboard App (Part 1)
7
Building a Stock Performance Dashboard App (Part 2)
8
Improving the Source Code and Errors
Reading and Writing Data Structures (Numpy, Pandas) & Converters
1
Section Downloads
2
(Default) Converters
3
The Numpy Converter
4
The Dictionary Converter
5
The DataFrame Converter (Part 1)
6
The DataFrame Converter (Part 2)
7
Data Science Application: Inspecting and Manipulating DataFrames in Excel
8
The Pandas Series Converter
9
Excursus: How to load Data from Excel into Pandas with pd.read_excel()
10
Excursus: Advanced import with pd.read_excel()
11
Excursus: How to load Financial Data / Time Series with pd.read_excel()
User-defined Functions (UDF) and Dynamic Arrays with xlwings (Windows only)
1
Introduction and Downloads
2
Preparations and your first UDF
3
How to change the Name and Location of the Python Module
4
Troubleshooting (UDF)
5
UDFs - Behind the Scenes
6
More complex UDFs and the @xw.arg Decorator
7
How to create Numpy UDFs
8
UDFs and Array Formulas
9
How to create Dynamic Arrays with xlwings UDFs
10
How to create Pandas UDFs
11
How to add Docstrings
12
Homework
Project 3: Use Pandas UDFs in Excel for Data Science and Finance (Windows only)
1
Introduction and Downloads
2
IMPORTANT NOTICE (Update January 23)
3
How to load Financial Data from the Web into Excel with the DataReader UDF
4
How to resample Time Series in Excel with the resample UDF
5
How to calculate Financial Returns with a Pandas/Numpy UDF
6
How to get Summary Statistics of a Dataset with the describe UDF
7
How to create a Dataset´s Correlation Matrix with the corr UDF
8
Taken all together - the Super UDF
9
How to perform inner/outer/left/right joins with the merge UDF
APPENDIX 1: Python Crash Course for Excel Users
1
Introduction and Overview
2
Section Downloads
3
Intro to the Time Value of Money (TVM) Concept (Theory)
4
Calculate Future Values (FV) with Python / Compounding
5
Calculate Present Values (FV) with Python / Discounting
6
Interest Rates and Returns (Theory)
7
Calculate Interest Rates and Returns with Python
8
Introduction to Variables
9
Excursus: How to add inline comments
10
Variables and Memory (Theory)
11
More on Variables and Memory
12
Variables - Dos, Don´ts and Conventions
13
The print() Function
14
Coding Exercise 1
15
TVM Problems with many Cashflows
16
Intro to Python Lists
17
Zero-based Indexing and negative Indexing in Python (Theory)
18
Indexing Lists
19
For Loops - Iterating over Lists
20
The range Object - another Iterable
21
Calculate FV and PV for many Cashflows
22
The Net Present Value - NPV (Theory)
23
Calculate an Investment Project´s NPV
24
Coding Exercise 2
25
Data Types in Action
26
The Data Type Hierarchy (Theory)
27
Excursus: Dynamic Typing in Python
28
Build-in Functions
29
Integers
30
Floats
31
How to round Floats (and Integers) with round()
32
More on Lists
33
Lists and Element-wise Operations
34
Slicing Lists
35
Slicing Cheat Sheet
36
Changing Elements in Lists
37
Sorting and Reversing Lists
38
Adding and removing Elements from/to Lists
39
Mutable vs. immutable Objects (Part 1)
40
Mutable vs. immutable Objects (Part 2)
41
Coding Exercise 3
42
Tuples
43
Dictionaries
44
Intro to Strings
45
String Replacement
46
Booleans
47
Operators (Theory)
48
Comparison, Logical and Membership Operators in Action
49
Coding Exercise 4
50
Conditional Statements
51
Keywords pass, continue and break
52
Calculate a Project´s Payback Period
53
Defining your first user-defined Function
54
What´s the difference between Positional Arguments vs. Keyword Arguments?
55
How to work with Default Arguments
56
Coding Exercise 5
APPENDIX 2: Matplotlib, Numpy, Pandas and Seaborn Crash Course
1
Downloads for this Section
2
Matplotlib Introduction
3
Line Plots
4
Scatter Plots
5
Customizing Plots (Part 1)
6
Customizing Plots (Part 2)
7
Coding Exercise 6
8
Modules, Packages and Libraries - No need to reinvent the Wheel
9
Numpy Arrays
10
Indexing and Slicing Numpy Arrays
11
Vectorized Operations with Numpy Arrays
12
Changing Elements in Numpy Arrays & Mutability
13
View vs. copy - potential Pitfalls when slicing Numpy Arrays
14
Numpy Array Methods and Attributes
15
Numpy Universal Functions
16
Boolean Arrays and Conditional Filtering
17
Coding Exercise 7
18
How to work with nested Lists
19
2-dimensional Numpy Arrays
20
How to slice 2-dim Numpy Arrays (Part 1)
21
How to slice 2-dim Numpy Arrays (Part 2)
22
Recap: Changing Elements in a Numpy Array / slice
23
How to perform row-wise and column-wise Operations
24
Coding Exercise 8
25
Intro to Tabular Data / Pandas
26
Create your very first Pandas DataFrame (from csv)
27
Pandas Display Options and the methods head() & tail()
28
First Data Inspection
29
Coding Exercise 9
30
Selecting Columns
31
Selecting one Column with the "dot notation"
32
Zero-based Indexing and Negative Indexing
33
Selecting Rows with iloc (position-based indexing)
34
Slicing Rows and Columns with iloc (position-based indexing)
35
Position-based Indexing Cheat Sheets
36
Selecting Rows with loc (label-based indexing)
37
Slicing Rows and Columns with loc (label-based indexing)
38
Label-based Indexing Cheat Sheets
39
Summary, Best Practices and Outlook
40
Coding Exercise 10
41
First Steps with Pandas Series
42
First Steps with Pandas Index Objects
43
Importing Time Series Data from csv-files
44
Initial Analysis / Visualization of Time Series
45
Seaborn Introduction
What´s next? (outlook and additional resources)
1
Bonus Lecture
Vous pouvez visualiser et ru00e9viser le matu00e9riel de cours indu00e9finiment, comme une chau00eene u00e0 la demande.
Absolument ! Si vous disposez d'une connexion Internet, les cours sur WeCours sont disponibles u00e0 tout moment sur n'importe quel appareil. Si vous n'avez pas de connexion Internet, certains instructeurs permettent u00e9galement u00e0 leurs u00e9tudiants de tu00e9lu00e9charger les cours. instructeur cependant, alors assurez-vous d'u00eatre de leur bon cu00f4tu00e9 !
/cdn.vox-cdn.com/uploads/chorus_asset/file/24865497/Y6JVgdE.png)
