L2
Introduction à Excel, Python et R pour le sport
Trois outils couvrent presque tous les besoins d'un analyste : tableur, Python et R. Le meilleur est celui qui rend l'analyse reproductible et partageable.
Excel (ou tableur)
Idéal pour saisir, trier, calculer des moyennes, écarts-types, percentiles et tracer des graphiques. Fonctions utiles : MOYENNE, ECARTYPE, MEDIANE, CENTILE, RECHERCHEV ou RECHERCHEX, SI, tableaux croisés dynamiques. Pour un z-score, calculer (valeur − moyenne) / écart-type puis LOI.NORMALE.STANDARD.N(z;VRAI) (NORM.S.DIST(z,TRUE) en anglais) pour le percentile ; ECARTYPE.STANDARD correspond à STDEV.S. Les noms exacts diffèrent selon la langue et la version : vérifier dans votre tableur. Pour le RMSSD de huit intervalles RR placés en B2:B9, la formule =RACINE(SOMMEPROD((B3:B9-B2:B8)^2)/7) reprend la définition (somme des carrés des différences successives divisée par n − 1 différences, ici 7). En Python, np.sqrt(np.mean(np.diff(rr)**2)) donne le même résultat. Bonnes pratiques : une ligne par observation, une colonne par variable (format « tidy »), pas de cellules fusionnées, ne jamais écraser les données brutes, formuler les calculs dans une feuille à part.
Python
Langage généraliste très répandu pour le traitement de signaux de capteurs et l'apprentissage automatique. Bibliothèques courantes : pandas (tableaux de données), numpy (calcul), scipy (statistiques, filtrage), matplotlib et seaborn (graphiques), scikit-learn (modèles). Exemple d'enchaînement : lire un fichier CSV exporté d'un GPS, calculer la distance à haute vitesse par séance et tracer l'évolution.
R
Langage spécialisé en statistiques. Écosystème tidyverse (dplyr, ggplot2), modèles mixtes (lme4), documents reproductibles avec R Markdown ou Quarto. Très répandu en recherche en sciences du sport.
Choisir
Tableur pour de petits fichiers et un usage ponctuel ; Python ou R dès que les données sont volumineuses, répétitives ou que l'on doit documenter chaque étape. Dans tous les cas : nommer les fichiers de manière cohérente, conserver une copie brute en lecture seule, commenter, versionner.
Nettoyage
Les données réelles contiennent des valeurs manquantes, des doublons, des unités mixtes, des erreurs de saisie. Vérifier les plages plausibles, tracer les données avant toute analyse, consigner chaque correction.
🎯 À retenir
- Un fichier de données propre comporte une ligne par observation et une colonne par variable.
- Excel convient aux petites analyses ; Python et R permettent de scripter et de reproduire.
- pandas, numpy, scipy et matplotlib forment le socle de Python pour les données du sport.
- R offre un écosystème statistique très complet avec tidyverse et ggplot2.
- Conserver les données brutes et documenter chaque étape de nettoyage.
⚠️ Erreurs fréquentes
- Modifier directement les données brutes dans le tableur sans garder de copie.
- Ne pas tracer les données avant analyse : les valeurs aberrantes passent inaperçues.
Pour s'entraîner
✅ QCM : Évaluation de la performance, capteurs et data sport 🃏 Fiches
Calculateurs liés
- Vitesse critique et D' à partir de deux efforts
- Z-score, T-score et percentile par rapport à une norme
- RMSSD et ln RMSSD à partir de 8 intervalles RR
- Rapport charge aiguë / chronique simple (ACWR)
← Visualisation de données et tableaux de bord Intelligence artificielle, apprentissage automatique et éthique des données →