EDA en Machine Learning : guide complet avec Python et R (2026)

1. Qu’est-ce que l’EDA et pourquoi est-elle essentielle ?

L’analyse exploratoire des données (Exploratory Data Analysis) est une approche prônée par John Tukey dans les années 1970. Elle consiste à explorer visuellement et statistiquement un jeu de données avant d’appliquer des modèles complexes.

Pourquoi est-ce crucial ?

• Comprendre la qualité : valeurs manquantes, outliers, incohérences.
• Choisir les bonnes transformations : normalisation, encodage, traitement des asymétries.
• Orienter la modélisation : relations linéaires ou non, interactions potentielles.
• Communiquer : partager des insights avec les parties prenantes.

Figure 1 — Place de l’EDA dans le cycle de vie d’un projet de machine learning.

2. Les étapes clés de l’EDA

3. EDA en Python : bibliothèques et exemples

Bibliothèques essentielles

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import plotly.express as px
import missingno as msno
from ydata_profiling import ProfileReport

Chargement et première inspection

df = pd.read_csv('data.csv')
print(df.shape)
print(df.dtypes)
print(df.head())

Statistiques descriptives

df.describe(include='all')
df['categorie'].value_counts(normalize=True)

Visualisation des valeurs manquantes

msno.matrix(df)
plt.show()

Histogrammes et boxplots

fig, axes = plt.subplots(1, 2, figsize=(12, 4))
sns.histplot(df['age'], bins=30, ax=axes[0])
sns.boxplot(x=df['age'], ax=axes[1])
plt.show()

Matrice de corrélation

corr = df.select_dtypes(include=np.number).corr()
sns.heatmap(corr, annot=True, cmap='coolwarm')
plt.show()

Figure 2 — Matrice de corrélation typique pour variables numériques.

Pairplot (seaborn)

sns.pairplot(df[['age', 'salaire', 'anciennete']], diag_kind='hist')
plt.show()

Rapport automatique

profile = ProfileReport(df, title="EDA Report")
profile.to_file("eda_report.html")

4. EDA en R : tidyverse et ggplot2

Bibliothèques

library(tidyverse)
library(skimr)
library(GGally)
library(DataExplorer)
library(visdat)

Chargement et inspection

df <- read_csv('data.csv')
glimpse(df)
summary(df)

Statistiques avec skimr

skim(df)

Visualisation des manquants

vis_miss(df)

Histogramme et boxplot avec ggplot2

ggplot(df, aes(x = age)) +
  geom_histogram(bins = 30, fill = "steelblue") +
  theme_minimal()

ggplot(df, aes(y = age)) +
  geom_boxplot(fill = "steelblue") +
  theme_minimal()

Matrice de corrélation

df %>%
  select(where(is.numeric)) %>%
  cor() %>%
  corrplot::corrplot(method = "color")

Pairplot avec GGally

ggpairs(df, columns = c("age", "salaire", "anciennete"))

Rapport automatique (DataExplorer)

create_report(df)

5. Visualisations incontournables

Figure 3 — Types de graphiques les plus utiles en EDA.

6. Automatiser l’EDA : profilage et rapports

Pour gagner du temps, des bibliothèques génèrent des rapports d’EDA complets en une ligne de code.

Python

• ydata-profiling : le plus complet. Génère un HTML avec analyses univariées, bivariées, alertes.
• sweetviz : permet de comparer deux datasets (train vs test).
• pandas-profiling (ancêtre, remplacé par ydata-profiling).

from ydata_profiling import ProfileReport
profile = ProfileReport(df, title="Analyse exploratoire")
profile.to_file("mon_rapport.html")

R

• DataExplorer : crée un rapport HTML avec histogrammes, barplots, heatmap des corrélations.
• summarytools : génère des tableaux descriptifs pour la console ou HTML.

library(DataExplorer)
create_report(df, output_file = "rapport_eda.html")

7. Bonnes pratiques et pièges à éviter

✅ Bonnes pratiques

• Toujours commencer par df.head() et df.info().
• Visualiser avant de résumer : un tableau de statistiques peut masquer des distributions très différentes (ex: datasaurus dozen).
• Documenter chaque découverte : un notebook bien commenté est la meilleure trace.
• Séparer train et test avant toute EDA poussée (pour éviter le data leakage).
• Utiliser des couleurs et échelles cohérentes dans les graphiques.

❌ Pièges à éviter

• Ignorer les valeurs manquantes ou les traiter automatiquement sans comprendre leur origine.
• Confondre corrélation et causalité : une corrélation élevée n’implique pas de lien causal.
• Négliger les outliers sans les examiner (certains peuvent être des erreurs, d’autres des informations précieuses).
• Surcharger les visualisations (trop de variables sur un même graphique).
• Oublier les variables catégorielles dans les matrices de corrélation.

Articles connexes