2.9.26
Sortie le 2 nov. 2026
Site officiel de Fredit Flow
Data cleaning python : des scripts que tu relis et testes
Fredit Flow 2.9.26 est un agent pour Windows qui écrit et lance des scripts Python de nettoyage sur tes propres fichiers CSV et JSON, enregistre le résultat dans un nouveau fichier et t'en montre le diff.
Nettoie customers.csv : supprime les espaces en trop, mets les e-mails en minuscules, retire les clients en double et enregistre customers_clean.csv.
- glob
./*.csv2 fichiers - read_file
./customers.csvéchantillon lu - write_file
./clean_customers.pyenregistré - Shell
your Python command clean_customers.pyexit 0 - read_file
./customers_clean.csv8 lignes
En attente de ton accord avant l'étape suivanteRefuserAccepter
Windows 10/11
64 bits (x64) uniquement
Environ 34 Mo
L'.exe portable fait environ 25 Mo
13 langues
Intégrées à l'appli
Inutile
Aucune inscription
Cloud ou local
Ou le modèle intégré
Comment fonctionnent ici les scripts de data cleaning python
Un script de data cleaning python repère et corrige les erreurs d'un jeu de données avant l'analyse : types erronés, espaces parasites, casse mélangée, lignes en double et valeurs manquantes. Fredit Flow écrit et lance ce script pendant que tu valides chaque règle et que tu lis le diff. L'original n'est pas modifié. Les données propres vont dans un nouveau fichier, et les 4 cas pratiques ci-dessous montrent les étapes.
Remets d'équerre l'export clients de ta propre boutique
Un export de boutique nommé customers.csv contient des espaces parasites, des e-mails à la casse mélangée, des clients en double et des âges enregistrés comme du texte. Fredit Flow utilise d'abord read_file pour regarder les premières lignes, puis write_file enregistre clean_customers.py, un script qui supprime les espaces, met les e-mails en minuscules, ignore les adresses répétées et convertit les âges en nombres. Shell le lance avec ta propre commande Python et rapporte le vrai code de sortie ainsi que le nombre de lignes affiché. Le résultat est customers_clean.csv. Ton original, customers.csv, reste tel quel. En mode Ask first, la carte s'arrête avant l'enregistrement du fichier, et tu vérifies à la main 10 lignes des deux fichiers avant de te fier au résultat.
Journal des outils
read_file ./customers.csv → first rows
write_file ./clean_customers.py → saved
Shell your Python command clean_customers.py → exit 0
read_file ./customers_clean.csv → 8 rowsDécide quoi faire des valeurs manquantes
Les valeurs manquantes n'ont pas de réponse unique, et cette partie du processus de nettoyage des données, c'est toi qui la décides. Dans sales.csv, grep cherche deux virgules d'affilée, ce qui ne trouve que les vides au milieu d'une ligne ; le script doit donc aussi gérer les vides en fin de ligne et les marqueurs comme n/a. Tu choisis une règle par colonne : supprimer la ligne, remplir avec une valeur fixe, remplir avec la médiane, ou garder le vide en le signalant. write_file crée clean_sales.py, edit_file modifie ce script et, en mode Ask first, tu lis le diff. Note chaque choix. Relis ensuite toi-même 5 lignes signalées dans sales_clean.csv.
Journal des outils
grep ,, ./sales.csv → 6 lines
write_file ./clean_sales.py → saved
edit_file ./clean_sales.py → +9 lines
Shell your Python command clean_sales.py → exit 0Data wrangling avec Python : fusionne deux fichiers sur une clé
Tu as orders.csv et customers.csv, issus de ta propre boutique, et tu veux une seule table. read_file affiche les en-têtes des deux, ce qui permet à l'agent de nommer l'identifiant client commun, puis write_file enregistre merge_orders.py. Shell lance le script avec ta propre commande Python et affiche combien de commandes ont trouvé un client et combien n'en ont pas trouvé. Les lignes sans correspondance sont listées. Elles vont dans un fichier séparé au lieu de disparaître, et la table fusionnée va elle aussi dans un nouveau fichier. Compare les 2 nombres de lignes avec les originaux, puis ouvre quelques lignes fusionnées pour vérifier que chaque commande porte le bon client.
Lis le plan avant que quoi que ce soit ne s'exécute
Le mode Plan only écrit les étapes de nettoyage et n'exécute rien : aucune commande ne démarre et aucun fichier ne change. Pour un dossier d'exports, le plan indique ce que read_file va inspecter, quelles règles le script appliquera et où ira chaque fichier de sortie. Les plans survivent aux redémarrages. Tu le lis, tu demandes une autre règle dans le chat, puis tu passes en Ask first pour l'exécuter. Plus tard, Cron peut relancer le script à intervalle régulier, de sorte qu'1 nouvel export reçoive les mêmes règles. Le script Python enregistré est un nettoyeur de CSV en texte brut : tu peux le lire, le tester sur une copie et le garder.
En quoi il diffère d'un assistant de chat classique
Les assistants de chat suggèrent des étapes. Fredit Flow 2.9.26 lance lui-même les outils, et chaque action apparaît dans le chat sous forme de carte avec son vrai résultat, comme la sortie de la commande ou le diff du fichier.
| Assistant de chat classique | Fredit Flow | |
|---|---|---|
| Actions | Suggère un script et te laisse le lancer | Lance les outils et montre chaque résultat dans une carte |
| Tes fichiers | Travaille sur le texte que tu colles dans le chat | Lit les fichiers du dossier de travail du chat |
| Modifications | Tu recopies les modifications à la main | Montre un diff avant que tu acceptes une modification en Ask first |
| Confidentialité des données | Le texte collé part chez le fournisseur | Avec un modèle local, rien ne quitte ton PC |
Pour démarrer
- Télécharge l'installateur, d'environ 34 Mo, et compare sa somme de contrôle SHA-256 avec le manifeste publié.
- Lance-le sous Windows 10 ou 11, puis connecte un modèle : un fournisseur cloud, un modèle qui tourne en local ou le modèle intégré.
- Choisis le dossier de projet qui contient tes propres fichiers CSV ou JSON ; les outils de fichiers travaillent dans le dossier de travail du chat.
- Demande un travail de nettoyage en mode Ask first ou Plan only, lis le diff, lance le script sur une copie et vérifie la sortie à la main.
Qui l'utilise, et quand
Les analystes, les gérants de boutique et les responsables d'enquêtes qui ont un export en désordre forment le premier groupe. Leurs fichiers CSV et JSON arrivent avec des espaces parasites, des formats de date mélangés et des clients en double, et ils veulent un script qu'ils peuvent lire, relancer et conserver. Les originaux restent intacts.
Les étudiants et les ingénieurs qui préparent des données pour le machine learning forment le deuxième groupe. Des données réelles et désordonnées font sans cesse échouer les modèles, et le prétraitement des données désigne le nettoyage suivi d'étapes comme l'encodage des catégories et la mise à l'échelle des nombres. Sépare d'abord. Fredit Flow 2.9.26 écrit le script, et tu vérifies la séparation.
Si tes fichiers contiennent des données personnelles, il y a une étape de plus. Les prompts et tout texte de fichier que l'agent lit partent vers le point d'accès du modèle que tu choisis ; utilise donc un modèle qui tourne en local sur ton PC, ou retire d'abord les colonnes personnelles. Sache où vont tes prompts. Ne travaille que sur des données qui t'appartiennent ou que tu as le droit de traiter.
Questions fréquentes
Que signifie « data cleaning python » ?
L'expression désigne l'écriture d'un script Python qui repère et corrige les erreurs d'un jeu de données avant l'analyse, comme des types erronés, des espaces parasites, des lignes en double et des valeurs manquantes. Fredit Flow aide en écrivant et en lançant ce script avec toi. Tu valides chaque règle.
freditcode.com est-il le site officiel de Fredit Flow ?
Oui, freditcode.com est le site officiel de Fredit Flow. L'installateur n'est pas signé. Compare la somme de contrôle SHA-256 de ton téléchargement avec le manifeste publié avant de le lancer, et envoie toute question via le bouton Send feedback dans l'appli.
Quand vaut-il la peine de nettoyer des données historiques ?
Cela vaut la peine quand d'anciens enregistrements alimentent encore un rapport, une décision ou un modèle, et que leurs erreurs suivent des règles qu'un script peut énoncer. Sinon, archive-les sans y toucher. Garde de toute façon la copie brute, car tu ne peux refaire une règle que tant que l'original existe.
Par quelles bonnes pratiques de nettoyage des données commencer ?
Cinq habitudes passent en premier. Regarde les données brutes avant d'écrire une règle, note chaque règle et enregistre le résultat dans un nouveau fichier au lieu d'écraser l'original. Compare ensuite le nombre de lignes avant et après, et vérifie la sortie à la main.
L'agent écrase-t-il mon fichier d'origine ?
Non, pas si tu demandes un nouveau fichier de sortie, et tous les exemples ici le font. En mode Ask first, l'agent s'arrête avant de modifier quoi que ce soit : tu peux lire le diff et refuser une écriture qui cible l'original. Fais aussi une sauvegarde.
Mes fichiers quittent-ils mon PC ?
Cela dépend de ton choix. Avec un modèle cloud, le texte du prompt, y compris tout texte de fichier lu par l'agent, part chez ce fournisseur, alors qu'un modèle qui tourne en local sur ton PC n'envoie rien à l'extérieur. Les données personnelles demandent donc un modèle local.
Les résultats sont-ils toujours justes ?
Non. L'agent applique les règles que tu valides et ne peut pas dire si une valeur est vraie, et aucun nettoyage automatique n'est complet. Lis le diff, teste le script sur une copie et vérifie le fichier nettoyé à la main avant de t'y fier.
Essaie-le sur une copie de tes propres données
Télécharge Fredit Flow 2.9.26 pour Windows 10 ou 11, connecte un modèle et pointe-le sur la copie d'un fichier qui t'appartient. Aucun compte n'est nécessaire. Lis chaque diff.
Télécharger Fredit Flow pour Windows ↗En savoir plus sur Fredit Flow
Chaque page existe en 20 langues.
Ce que l'agent peut faire avec tes fichiers ↗ Modèles cloud, locaux et intégré ↗ Workflows de nettoyage pas à pas ↗ Télécharger et vérifier l'installateur ↗ Questions et réponses ↗ Confidentialité et traitement des données ↗
