Intelligence artificielle · Chapitre 14 · Cours 03

Nettoyer des données

Avant d’analyser des données avec une intelligence artificielle, il faut s’assurer qu’elles sont fiables. Un tableau contenant des doublons, des valeurs manquantes, des dates incohérentes ou des montants mal saisis peut conduire à des conclusions erronées. Découvrez comment détecter, corriger et documenter ces anomalies sans altérer les informations d’origine.

À la fin de ce cours, vous saurez :

  • Expliquer pourquoi le nettoyage précède l’analyse.
  • Identifier les principales anomalies d’un jeu de données.
  • Distinguer doublons exacts et doublons potentiels.
  • Traiter les valeurs manquantes sans inventer d’informations.
  • Uniformiser les formats, unités et catégories.
  • Détecter les valeurs aberrantes et les incohérences métier.
  • Utiliser Excel et Google Sheets pour nettoyer un tableau.
  • Solliciter une IA pour diagnostiquer et documenter les corrections.
  • Préserver les données brutes et tracer les modifications.
  • Mesurer la qualité des données après nettoyage.
  • Appliquer une procédure complète sur un cas professionnel.
Prérequis

Connaître les principaux types de données et les bases de préparation d’un fichier CSV. Les cours 01 et 02 du chapitre présentent ces notions. Aucune compétence en programmation n’est nécessaire.

1. Qu’est-ce que le nettoyage des données ?

Le nettoyage des données, ou data cleaning, consiste à identifier, corriger, standardiser ou signaler les anomalies qui empêchent d’exploiter correctement un jeu de données.

Il peut porter sur les valeurs, les formats, les enregistrements, les catégories ou la cohérence entre plusieurs colonnes.

Exemple simple

Un fichier clients contient les villes suivantes :

Paris PARIS paris Pariis Lyon

Ces valeurs ne représentent probablement que deux villes. Pourtant, un regroupement automatique peut produire cinq catégories distinctes.

Le nettoyage consiste à reconnaître les variantes, à confirmer les corrections et à harmoniser les libellés.

2. Pourquoi nettoyer avant d’analyser ?

Une analyse dépend directement de la qualité des données utilisées. Même un modèle d’IA performant peut produire des résultats trompeurs si les informations d’entrée sont incorrectes.

Fiabilité

Réduire les calculs et conclusions erronés.

Comparabilité

Rendre les dates, unités et catégories cohérentes.

Traçabilité

Expliquer les transformations effectuées.

Réutilisation

Faciliter les analyses et importations ultérieures.

Principe essentiel

Nettoyer ne signifie pas rendre toutes les données « parfaites » ou supprimer systématiquement les valeurs inhabituelles. Il faut distinguer une erreur réelle d’une information simplement atypique.

3. Les grandes catégories d’anomalies

Anomalie Exemple Conséquence possible
Doublon Commande enregistrée deux fois Montant compté deux fois
Valeur manquante Prix absent Calcul incomplet
Format incohérent 05/11/2026 et 2026-11-05 Tri ou import incorrect
Erreur de saisie Pariis au lieu de Paris Catégorie artificielle
Valeur aberrante Quantité de 10 000 au lieu de 10 Statistiques déformées
Unité incohérente 500 g et 0,5 kg Comparaison trompeuse
Type incorrect Montant stocké comme texte Calcul impossible
Incohérence métier Date de livraison antérieure à la commande Indicateur erroné

4. Commencer par un diagnostic des données

Avant toute correction, il faut comprendre la structure et l’état du fichier. Cette étape est souvent appelée profilage des données.

Le diagnostic doit répondre à plusieurs questions :

  • Combien d’enregistrements contient le fichier ?
  • Quelles sont les colonnes disponibles ?
  • Quels types de données sont attendus ?
  • Combien de valeurs sont manquantes ?
  • Existe-t-il des identifiants répétés ?
  • Quelles catégories sont utilisées ?
  • Les valeurs numériques présentent-elles des écarts inhabituels ?
  • Les règles métier sont-elles respectées ?
Bonne méthode

Réalisez d’abord un état des lieux. Les corrections doivent ensuite répondre à des anomalies identifiées, pas à des suppositions.

5. Préserver les données d’origine

Le fichier initial constitue la référence. Il doit être conservé afin de pouvoir revenir aux informations reçues.

Une organisation simple peut utiliser trois fichiers :

ventes_brut_2026-11.csv ventes_nettoye_2026-11.csv journal_corrections_2026-11.csv
  • Fichier brut : données originales non modifiées.
  • Fichier nettoyé : version préparée pour l’analyse.
  • Journal : détail des corrections et décisions.

Dans un processus automatisé, cette organisation peut être complétée par des versions, des sauvegardes et des droits d’accès.

6. Identifier les doublons exacts

Un doublon exact est un enregistrement répété à l’identique selon les champs considérés.

commande_id;produit;quantite;prix C001;Clavier;2;25.00 C002;Souris;3;18.00 C001;Clavier;2;25.00

Les lignes 2 et 4 du fichier représentent le même enregistrement apparent.

Si la règle métier indique qu’un identifiant de commande doit être unique, la répétition doit être examinée.

Ne supprimez pas aveuglément

Deux lignes identiques ne sont pas toujours une erreur. Un journal d’événements peut enregistrer plusieurs occurrences similaires. Il faut connaître la signification des lignes avant d’en supprimer une.

7. Distinguer doublons exacts et doublons potentiels

Un doublon potentiel concerne deux enregistrements qui pourraient désigner le même élément sans être identiques.

Identifiant Nom Ville
CL001Martin JulieParis
CL089Julie MartinPARIS

Ces deux fiches pourraient concerner la même personne, mais cette hypothèse ne suffit pas pour les fusionner.

Il faut rechercher des éléments de confirmation autorisés : identifiant stable, référence de dossier ou autre information pertinente.

8. Détecter les doublons dans Excel

Excel propose plusieurs moyens de rechercher des répétitions.

Méthode 1 — Mise en forme conditionnelle

  1. Sélectionner la colonne d’identifiants.
  2. Ouvrir la mise en forme conditionnelle.
  3. Choisir une règle de valeurs en double.
  4. Examiner les valeurs signalées.

Méthode 2 — Fonction NB.SI

Si les identifiants se trouvent dans A2:A100, saisir en B2 :

=NB.SI($A$2:$A$100;A2)

Une valeur supérieure à 1 indique que l’identifiant apparaît plusieurs fois.

Méthode 3 — Supprimer les doublons

L’outil Données → Supprimer les doublons permet de retirer des lignes répétées. Il faut sélectionner les colonnes servant à définir l’unicité.

Utilisez-le sur une copie du fichier et uniquement après avoir confirmé les règles de déduplication.

9. Détecter les doublons dans Google Sheets

Google Sheets propose également des outils de déduplication.

  1. Sélectionner la plage concernée.
  2. Ouvrir le menu Données.
  3. Accéder au nettoyage des données.
  4. Choisir l’outil de suppression des doublons.
  5. Définir les colonnes de comparaison.
  6. Vérifier les résultats.

La fonction COUNTIF, appelée NB.SI selon la langue et les paramètres, peut également aider à compter les occurrences.

10. Comprendre les valeurs manquantes

Une valeur manquante correspond à une information absente dans un champ où elle pourrait être attendue.

id;produit;quantite;prix 001;Clavier;2;25.00 002;Souris;;18.00 003;Écran;1;

La quantité de la ligne 002 et le prix de la ligne 003 ne sont pas renseignés.

Une valeur manquante n’est pas automatiquement égale à zéro.

11. Choisir comment traiter les valeurs manquantes

Méthode Utilisation possible Précaution
Conserver le vide Information inconnue Signaler son absence
Rechercher dans la source Information récupérable Vérifier la fiabilité
Exclure l’enregistrement Analyse impossible sans la valeur Mesurer l’impact de l’exclusion
Imputer une valeur Analyse statistique appropriée Documenter la méthode et ses limites

L’imputation consiste à remplacer une valeur absente par une estimation. Elle peut utiliser une moyenne, une médiane ou une méthode plus élaborée.

Cette technique peut être utile dans certaines analyses statistiques, mais elle ne doit pas transformer une estimation en fait observé.

Exemple de mauvaise correction

Remplacer un prix de vente manquant par la moyenne des autres prix peut créer un montant commercial fictif. Pour un suivi de facturation, il faut rechercher le prix réel ou signaler la donnée comme manquante.

12. Mesurer les données manquantes

Le taux de valeurs manquantes peut être calculé ainsi :

Taux de valeurs manquantes = (Nombre de valeurs manquantes / Nombre de valeurs attendues) × 100
Exemple

Une colonne comporte 200 enregistrements, dont 12 valeurs absentes.

12 ÷ 200 × 100 = 6 %.

Le taux de valeurs manquantes de cette colonne est de 6 %.

Ce pourcentage ne suffit pas pour décider si les données sont exploitables. L’importance du champ et la cause des absences doivent aussi être examinées.

13. Uniformiser les textes et catégories

Les différences de casse, d’espacement ou d’orthographe peuvent créer des catégories artificielles.

Valeur d’origine Valeur normalisée
PARISParis
paris Paris
PariisParis, après vérification
LYONLyon
lyonLyon

Une normalisation peut porter sur :

  • Les majuscules et minuscules.
  • Les espaces superflus.
  • Les caractères invisibles.
  • Les accents, selon les besoins.
  • Les abréviations.
  • Les catégories métier.

Les corrections orthographiques doivent rester prudentes : deux libellés proches ne sont pas nécessairement équivalents.

14. Nettoyer les espaces et caractères invisibles

Certains problèmes sont difficiles à voir directement dans un tableau.

Par exemple, les chaînes "Paris" et "Paris " peuvent être considérées comme différentes.

Fonction SUPPRESPACE

=SUPPRESPACE(A2)

Cette fonction supprime les espaces superflus ordinaires tout en conservant les espaces nécessaires entre les mots.

Fonction EPURAGE

=EPURAGE(A2)

Elle permet de retirer certains caractères de contrôle non imprimables.

Ces fonctions ne traitent pas nécessairement tous les caractères Unicode invisibles.

Cas des espaces insécables

=SUPPRESPACE(SUBSTITUE(A2;CAR(160); » « ))

Cette formule remplace l’espace insécable correspondant au caractère 160 par un espace ordinaire, puis supprime les espaces superflus.

À savoir

Certaines variantes d’espaces Unicode, comme les espaces insécables fines, nécessitent un traitement différent. La méthode doit être adaptée au caractère réellement présent.

15. Corriger les formats de dates

Les dates doivent être homogènes et interprétées correctement.

05/11/2026 2026-11-05 5 novembre 2026 11/05/2026

Les trois premières valeurs peuvent désigner le 5 novembre 2026. La quatrième correspond au 11 mai en convention française, mais pourrait être interprétée autrement dans un autre contexte.

Une conversion automatique ne doit jamais inverser silencieusement le jour et le mois.

Procédure recommandée

  1. Identifier le format d’origine.
  2. Confirmer les paramètres régionaux.
  3. Convertir les dates sans ambiguïté.
  4. Utiliser un format homogène.
  5. Contrôler les dates limites et les valeurs impossibles.

16. Uniformiser les unités

Des valeurs exprimées dans des unités différentes ne peuvent pas être comparées directement.

Valeur d’origine Conversion Valeur en kg
500 g500 ÷ 1 0000,5
1,2 kgAucune1,2
750 g750 ÷ 1 0000,75

Il faut conserver la trace de l’unité d’origine et de la conversion appliquée.

17. Identifier les valeurs aberrantes

Une valeur aberrante, ou outlier, est une observation inhabituellement éloignée des autres valeurs.

12 15 14 13 850

La valeur 850 mérite une vérification. Elle peut résulter d’une erreur de saisie, mais elle peut aussi correspondre à un événement réel.

Il faut distinguer :

  • Valeur impossible : incompatible avec les règles métier.
  • Valeur improbable : inhabituelle mais potentiellement réelle.
  • Valeur extrême valide : observation rare mais confirmée.

18. Utiliser des méthodes statistiques simples

Plusieurs indicateurs peuvent aider à détecter les observations atypiques.

Minimum et maximum

Ils permettent de repérer rapidement les extrêmes.

=MIN(A2:A100) =MAX(A2:A100)

Médiane

=MEDIANE(A2:A100)

La médiane est moins sensible aux valeurs extrêmes que la moyenne.

Écart interquartile

Une méthode classique utilise :

IQR = Q3 – Q1 Borne basse = Q1 – 1,5 × IQR Borne haute = Q3 + 1,5 × IQR

Les valeurs situées au-delà de ces bornes sont signalées comme potentiellement atypiques.

Attention à l’interprétation

La méthode de l’écart interquartile constitue un outil de détection, pas une preuve d’erreur. Les seuils dépendent de la distribution et du contexte d’analyse.

19. Contrôler la cohérence entre colonnes

Une donnée peut sembler correcte isolément, mais être incohérente lorsqu’on la compare à une autre.

Règle métier Anomalie à rechercher
Date de livraison ≥ date de commande Livraison antérieure
Quantité vendue positive Quantité nulle ou négative hors retours
Montant = quantité × prix unitaire Écart de calcul
Code postal conforme au pays Format incompatible
Statut dans une liste autorisée Libellé inconnu

Ces contrôles doivent tenir compte des exceptions légitimes : retours, avoirs, corrections, livraisons anticipées selon les cas ou autres règles particulières.

20. Utiliser la validation des données

Le nettoyage corrige les problèmes existants. La validation des données aide à prévenir leur réapparition.

Dans Excel et Google Sheets, il est possible de définir :

  • Des listes déroulantes de statuts.
  • Des limites de valeurs numériques.
  • Des contrôles de dates.
  • Des messages d’erreur.
  • Des restrictions sur certaines saisies.
Exemple de liste contrôlée

Pour une colonne de statut, seules les valeurs suivantes sont autorisées :

En attente En cours Livrée Annulée

Cette règle limite l’apparition de variantes telles que « livré », « livraison faite » ou « terminer ».

21. Utiliser l’IA pour diagnostiquer les anomalies

Une IA peut examiner un extrait de tableau et proposer une liste d’anomalies potentielles.

Prompt de diagnostic

Tu es spécialiste de la qualité et du nettoyage des données. Analyse le tableau fourni. Recherche : 1. Les doublons exacts. 2. Les doublons potentiels. 3. Les valeurs manquantes. 4. Les formats incohérents. 5. Les erreurs de saisie probables. 6. Les catégories non normalisées. 7. Les valeurs aberrantes. 8. Les incohérences entre colonnes. Pour chaque anomalie, indique : – L’identifiant de la ligne. – Le champ concerné. – Le problème observé. – La correction proposée. – Le niveau de certitude. – La nécessité éventuelle d’une validation humaine. Ne supprime aucune ligne. N’invente aucune valeur manquante. Distingue les erreurs certaines des anomalies seulement suspectées. Voici les données : [Coller un extrait fictif ou autorisé.]

22. Demander à l’IA un plan de nettoyage

Plutôt que de demander directement un tableau corrigé, il est souvent préférable de commencer par une procédure explicite.

À partir des anomalies identifiées, propose un plan de nettoyage dans l’ordre logique. Pour chaque opération, précise : – La règle appliquée. – Les colonnes concernées. – Les risques de modification. – Les contrôles à effectuer. – Les éléments à conserver dans le journal de corrections. Classe les opérations en : 1. Corrections déterministes. 2. Corrections nécessitant une confirmation. 3. Anomalies à laisser en attente d’investigation. Ne modifie pas les données à cette étape.

Cette démarche facilite la vérification et réduit les transformations injustifiées.

23. Demander une transformation contrôlée

Une fois les règles validées, l’IA peut proposer une version nettoyée.

Nettoie le tableau selon les règles validées ci-dessous. Règles : – Supprimer les espaces superflus dans les villes. – Harmoniser la casse. – Convertir les dates confirmées en AAAA-MM-JJ. – Préserver les identifiants. – Ne pas remplacer les valeurs manquantes. – Ne pas fusionner les doublons potentiels. – Ne pas modifier les montants sans preuve de leur erreur. Fournis : 1. Le tableau nettoyé. 2. Le journal des corrections. 3. Les anomalies non résolues. 4. Le nombre de lignes avant/après. 5. Les contrôles de cohérence. N’invente aucune donnée.
Limite de l’IA générative

Une IA peut oublier des lignes, inverser des colonnes ou produire des corrections non demandées. Pour des volumes importants, les transformations doivent être exécutées et contrôlées par des outils déterministes.

24. Nettoyer avec Power Query

Power Query, disponible dans Excel, permet de préparer des données avec une succession d’étapes reproductibles.

Il peut notamment :

  • Importer un CSV ou un classeur.
  • Modifier les types de colonnes.
  • Supprimer les espaces inutiles.
  • Remplacer des valeurs.
  • Filtrer les lignes.
  • Détecter ou supprimer des doublons.
  • Fusionner ou séparer des colonnes.
  • Actualiser les transformations.

Procédure générale

  1. Importer les données dans Power Query.
  2. Vérifier les types détectés.
  3. Appliquer les transformations nécessaires.
  4. Contrôler les étapes enregistrées.
  5. Charger le résultat dans Excel.
  6. Comparer les données finales à la source.

L’avantage est la reproductibilité : les mêmes transformations peuvent être réappliquées à de nouvelles données, sous réserve que leur structure reste compatible.

25. Documenter les corrections

Un nettoyage professionnel doit pouvoir être expliqué et reproduit.

ID Champ Avant Après Motif
C001 ville paris Paris Normalisation
C002 date 05/11/2026 2026-11-05 Format ISO
C003 prix Vide Vide Source à vérifier

Un journal complet peut aussi indiquer la date de correction, la règle utilisée, la personne ayant validé le changement et la version du fichier.

26. Mesurer la qualité après nettoyage

La qualité des données peut être suivie au moyen d’indicateurs.

Indicateur Calcul ou contrôle
Taux de complétude Valeurs renseignées / valeurs attendues
Taux de doublons Doublons identifiés / enregistrements
Taux de conformité Valeurs conformes / valeurs contrôlées
Nombre d’anomalies ouvertes Anomalies non résolues
Écart de total Total après nettoyage – total de référence comparable

Les définitions exactes des indicateurs doivent être fixées avant leur calcul, notamment lorsqu’un enregistrement comporte plusieurs anomalies.

27. Cas pratique complet — Nettoyer un fichier de commandes

Situation professionnelle

Une entreprise souhaite analyser ses commandes de novembre. Elle reçoit un fichier contenant des erreurs de format, un doublon et une valeur manquante.

Chaque commande possède un identifiant unique. Les montants doivent être exprimés en euros HT, avec un point décimal dans le CSV final.

Étape A — Données brutes

id;date;ville;quantite;prix_ht C001;05/11/2026;Paris;2;25.00 C002;2026-11-05; lyon ;3;18.00 C003;06/11/2026;PARIS;1;150.00 C004;2026-11-06;Lyon;2; C002;2026-11-05; lyon ;3;18.00 C005;07/11/2026;Pariis;1;32.00

Le fichier contient six lignes de données brutes.

Étape B — Diagnostic

Anomalie Ligne Décision
Dates hétérogènes Plusieurs Uniformiser après confirmation du format
Espaces superflus C002 Supprimer
Casse incohérente C003 Normaliser
Prix manquant C004 Conserver vide et signaler
Doublon exact C002 répété Supprimer une occurrence après confirmation
Orthographe probable C005 Vérifier « Pariis »

Étape C — Hypothèses validées

Pour ce cas fictif, le responsable confirme les éléments suivants :

  • Les dates au format JJ/MM/AAAA sont françaises.
  • La seconde occurrence de C002 est une duplication technique.
  • La ville « Pariis » correspond bien à Paris.
  • Le prix de C004 n’est pas disponible.

Ces confirmations permettent de distinguer les corrections justifiées des suppositions.

Étape D — Fichier nettoyé

id;date;ville;quantite;prix_ht C001;2026-11-05;Paris;2;25.00 C002;2026-11-05;Lyon;3;18.00 C003;2026-11-06;Paris;1;150.00 C004;2026-11-06;Lyon;2; C005;2026-11-07;Paris;1;32.00

Le fichier contient désormais cinq commandes distinctes.

La valeur manquante de C004 est conservée vide.

Étape E — Vérification des montants

Commande Calcul Montant HT
C0012 × 25,0050,00 €
C0023 × 18,0054,00 €
C0031 × 150,00150,00 €
C004Prix manquantNon calculable
C0051 × 32,0032,00 €

Total des commandes dont le prix est connu :

50 + 54 + 150 + 32 = 286 € HT

Attention : 286 € HT est un total partiel, et non le total général de toutes les commandes.

Étape F — Calcul des indicateurs

Indicateur Résultat
Lignes brutes6
Commandes distinctes après validation5
Doublons supprimés1
Prix manquants1
Complétude de la colonne prix4 / 5 = 80 %
Quantité totale9 unités
Total HT connu286,00 €
Anomalies restant à résoudre1 prix manquant

Étape G — Journal des corrections

Enregistrement Action Justification
C001, C003, C005 Dates converties Format français confirmé
C002 Ville normalisée Espaces et casse
C003 PARIS → Paris Harmonisation
C002 Occurrence supplémentaire retirée Doublon confirmé
C005 Pariis → Paris Correction confirmée
C004 Prix conservé vide Information indisponible

Étape H — Synthèse professionnelle

Compte rendu de nettoyage

Le fichier initial comportait six lignes. Après vérification, une occurrence dupliquée a été retirée. Les dates et villes ont été harmonisées.

Le fichier final contient cinq commandes distinctes pour neuf unités. Le total des commandes dont le prix est connu s’élève à 286,00 € HT.

Le prix de la commande C004 reste manquant. Le total général des commandes ne peut donc pas encore être établi.

Bilan du cas pratique

Le nettoyage a corrigé les anomalies confirmées sans inventer le prix manquant. Les données sont mieux structurées, mais l’analyse financière complète reste conditionnée à la résolution de l’anomalie C004.

28. Les erreurs à éviter

  • Modifier directement le fichier brut.
  • Supprimer tous les doublons sans comprendre leur signification.
  • Remplacer automatiquement les valeurs manquantes par zéro.
  • Corriger les valeurs extrêmes sans vérifier leur origine.
  • Uniformiser les dates sans connaître leur convention.
  • Fusionner des fiches seulement parce que leurs noms se ressemblent.
  • Convertir les identifiants en nombres.
  • Confondre données observées et valeurs estimées.
  • Utiliser une IA sans contrôler les transformations.
  • Présenter un total partiel comme un total général.
  • Oublier de documenter les corrections.
  • Transmettre des données personnelles sans autorisation ni précaution.

29. Vérifiez votre compréhension

Question 1 — Doublons

Deux commandes présentent exactement le même identifiant et les mêmes valeurs. Peut-on supprimer immédiatement l’une d’elles ?

Afficher la correction
Pas sans vérifier la règle métier. Si l’identifiant doit être unique et qu’une duplication technique est confirmée, une occurrence peut être retirée en conservant la trace de la correction.
Question 2 — Valeur manquante

Un prix est absent. Peut-on le remplacer par zéro pour calculer le total ?

Afficher la correction
Non, sauf si la source confirme réellement un prix nul. Une absence d’information ne signifie pas zéro. Le total doit être signalé comme partiel ou non calculable.
Question 3 — Valeur aberrante

Une commande comporte 850 unités alors que les autres en comportent entre 10 et 20. Quelle est la bonne démarche ?

Afficher la correction
Signaler la valeur comme atypique, rechercher une confirmation dans la source et ne la modifier qu’en présence d’une justification.
Question 4 — Complétude

Une colonne contient 80 valeurs attendues, dont 8 manquantes. Quel est son taux de complétude ?

Afficher la correction
80 – 8 = 72 valeurs renseignées. 72 ÷ 80 × 100 = 90 %. Le taux de complétude est de 90 %.
Question 5 — Traçabilité

Pourquoi conserver un journal des corrections après nettoyage ?

Afficher la correction
Pour comprendre les modifications, justifier les décisions, reproduire le traitement, vérifier les résultats et revenir aux données d’origine si nécessaire.

30. Questions fréquentes

1. Qu’est-ce que le data cleaning ?

C’est le processus d’identification, de correction et de contrôle des anomalies présentes dans les données.

2. Pourquoi nettoyer avant d’analyser ?

Parce que les erreurs d’entrée peuvent fausser les calculs, les regroupements et les conclusions.

3. Un doublon est-il toujours une erreur ?

Non. Il peut représenter un événement légitime. Son interprétation dépend de la structure et des règles métier.

4. Comment détecter des doublons dans Excel ?

Avec la mise en forme conditionnelle, NB.SI ou l’outil de suppression des doublons, selon le besoin.

5. Peut-on fusionner deux fiches similaires ?

Uniquement après avoir confirmé qu’elles concernent le même élément.

6. Une valeur manquante vaut-elle zéro ?

Non. Zéro est une valeur connue, alors qu’une donnée manquante est une information absente.

7. Qu’est-ce que l’imputation ?

C’est le remplacement d’une valeur manquante par une estimation calculée.

8. Faut-il toujours imputer les valeurs manquantes ?

Non. La méthode dépend du contexte, de l’objectif et des conséquences possibles.

9. Qu’est-ce qu’une valeur aberrante ?

Une observation inhabituellement éloignée des autres valeurs.

10. Une valeur aberrante doit-elle être supprimée ?

Non. Elle doit d’abord être vérifiée. Une valeur extrême peut être réelle.

11. Qu’est-ce que la normalisation des catégories ?

C’est l’harmonisation des libellés représentant une même catégorie.

12. Comment retirer les espaces inutiles ?

Avec des fonctions comme SUPPRESPACE, éventuellement complétées par des traitements des caractères invisibles.

13. Pourquoi les dates posent-elles problème ?

Parce que plusieurs conventions peuvent représenter des dates différentes avec des écritures similaires.

14. Pourquoi uniformiser les unités ?

Pour comparer des valeurs sur une même base de mesure.

15. Qu’est-ce que Power Query ?

Un outil de préparation et de transformation des données intégré à l’écosystème Microsoft.

16. L’IA peut-elle nettoyer automatiquement un fichier ?

Elle peut assister le nettoyage, mais ses propositions doivent être contrôlées et validées.

17. Pourquoi garder le fichier brut ?

Pour conserver la source, comparer les transformations et revenir en arrière.

18. Qu’est-ce que le taux de complétude ?

La proportion des valeurs attendues qui sont effectivement renseignées.

19. Comment éviter que les erreurs reviennent ?

En utilisant des règles de validation, des listes contrôlées et des procédures de saisie.

20. Quand le nettoyage est-il terminé ?

Lorsque les contrôles définis sont satisfaits et que les anomalies restantes sont connues, documentées et compatibles avec l’usage prévu.

31. Glossaire — 25 termes essentiels

Terme Définition
1. Nettoyage des donnéesCorrection et contrôle des anomalies d’un jeu de données.
2. Data cleaningExpression anglaise désignant le nettoyage des données.
3. Jeu de donnéesEnsemble structuré d’informations.
4. EnregistrementLigne représentant une observation ou une entité.
5. ChampInformation stockée dans une colonne.
6. Doublon exactEnregistrement répété selon les champs comparés.
7. Doublon potentielEnregistrements pouvant désigner le même élément.
8. DéduplicationTraitement des enregistrements répétés.
9. Valeur manquanteInformation absente dans un champ attendu.
10. ImputationEstimation utilisée pour remplacer une valeur absente.
11. NormalisationHarmonisation des représentations de données.
12. StandardisationApplication de conventions communes.
13. Valeur aberranteObservation statistiquement atypique.
14. OutlierTerme anglais désignant une valeur aberrante.
15. Profilage des donnéesDiagnostic initial de la structure et de la qualité.
16. ComplétudeProportion des informations attendues renseignées.
17. ConformitéRespect des formats et règles définis.
18. CohérenceCompatibilité logique entre plusieurs informations.
19. TraçabilitéCapacité à retrouver l’origine des modifications.
20. Journal de correctionsHistorique des transformations réalisées.
21. Règle métierContrainte issue du fonctionnement d’une activité.
22. Validation des donnéesContrôle des valeurs autorisées et de leur format.
23. MédianeValeur centrale d’une série ordonnée.
24. Écart interquartileDifférence entre le troisième et le premier quartile.
25. Power QueryOutil de transformation reproductible des données.

32. Ressources pour approfondir

À retenir

  • Le nettoyage précède l’analyse et améliore sa fiabilité.
  • Il faut commencer par diagnostiquer les anomalies.
  • Le fichier brut doit être conservé.
  • Un doublon n’est pas automatiquement une erreur.
  • Une valeur manquante n’est pas égale à zéro.
  • Les formats, unités et catégories doivent être cohérents.
  • Une valeur extrême doit être vérifiée avant toute correction.
  • Les règles métier permettent de détecter des incohérences invisibles isolément.
  • L’IA peut proposer des corrections, mais ne doit pas inventer de données.
  • Les transformations importantes doivent être vérifiables et reproductibles.
  • Chaque correction doit pouvoir être justifiée.
  • Un fichier nettoyé peut encore contenir des anomalies connues.
  • La qualité doit être évaluée selon l’usage final des données.
Prochain cours — 04 Analyser un tableau Excel →

Exploitez un tableau structuré pour calculer des indicateurs, identifier des tendances et produire des analyses avec l’aide de l’IA.

Mise en pratique

Entraînez-vous sur ce cours

Repérez les doublons, corrigez les formats, gérez les valeurs manquantes, identifiez les anomalies et vérifiez la qualité des données nettoyées.

15 exercices par cours Progression pédagogique Corrections détaillées
Accéder aux exercices →