Recherche

Bonjour la Communauté ! Nous venons d'ajouter de nouvelles récompenses 🎁 sur Global Masters ! Prenez un moment pour explorer la section Récompenses. Récompenses printanières exceptionnelles : saisissez les vôtres dès maintenant ! Veuillez noter que notre sélection de prix varie selon la région et le pays. Nous vous invitons à consulter les options disponibles selon votre localisation. Vous n'êtes pas encore membre de Global Masters ? Inscrivez-vous ici en utilisant vos identifiants InterSystems SSO.

Salut la Communauté! Regardez cette vidéo de webinaire pour découvrez comment InterSystems peut permettre des chaînes d'approvisionnement d'être plus résilientes, flexibles et transparentes. La pandémie de COVID-19 a souligné l'importance de nos chaînes d'approvisionnement interconnectées à l'échelle mondiale. Pour gérer l'évolution des préférences des acheteurs dans un contexte de perturbations, les organisations ont dû analyser leurs chaînes d'approvisionnement en temps réel pour établir des priorités, identifier et combler les lacunes, et pour créer des capacités prédictives qui traitent les pénuries potentielles d'approvisionnement. La résilience, fondée sur une meilleure visibilité des chaînes d'approvisionnement, est devenue une priorité absolue pour les entreprises. La création de chaînes d'approvisionnement intelligentes pouvant être surveillées pour fournir des informations exploitables est nécessaire pour libérer des gains d'efficacité, augmenter la vitesse de livraison aux clients et conserver un avantage concurrentiel. Soucieux de se protéger contre les perturbations futures et d'être en mesure de réagir avec agilité et décision, les chefs d'entreprise souhaitent développer des écosystèmes de chaîne d'approvisionnement résilients et collaboratifs qui brisent les silos et unissent les personnes, les processus et les technologies. N'hésitez pas à vous abonner à la chaîne InterSystems France sur YouTube !

Salut la Communauté ! Voici un deuxième article de la série et celui-ci est dédié à SQL. Donc, si vous voulez en savoir plus sur l'utilisation du modèle relationnel dans IRIS, consultez les articles mentionnés. Nom de l'article De quoi s'agit-il Bienvenue à irissqlcli - terminal avancé pour IRIS SQL Cet article décrit un projet qui : Mise en évidence de la syntaxe Suggestions (tableaux, fonctions) Plus de 20 formats de sortie Support de stdin Sortie vers des fichiers CSV EN FHIR EN SQL PUIS EN JUPYTER - Concours FHIR V2 Cet article décrit un outil pour transformer un fichier CSV en FHIR en SQL en JUPYTER notebook. Stockage des données - Informations à connaître pour prendre de bonnes décisions lors du développement Cet article donne des astuces comment utiliser des index. Class Query dans InterSystems IRIS Cet article montre l'utilisation de Class Query dans IRIS class. Comment créer un index pendant que des données sont enregistrées/supprimées Cet article montre le moyen de créer des index pendant la création des données. Traitement des colonnes de type DATE et TIME lors de l'exécution des requêtes SQL du côté serveur (ObjectScript) Cet article montre comment traiter des colonnes de type DATE et TIME lors de l'exécution des requêtes SQL du côté serveur (ObjectScript) Maîtriser la passerelle SQL JDBC Cet article montre comment utiliser IRIS JDBC driver pour executer des requêtes. Personalisation des index SQL avec des fonctions Python Cet article montre utilisation de Python pur travailler avec des index. Création d'index personalisé dans Caché Cet article montre le moyen comment créer et utiliser des index persnalisés. Lecture des données AWS S3 sur le COVID en tant que table SQL dans IRIS Cet article montre un projet Open Source de la communauté InterSystems IRIS External Table, qui vous permet d'utiliser des fichiers stockés dans le système de fichiers local et le stockage d'objets en nuage comme AWS S3, en tant que tables SQL Connaissez vos indexes Ces articles contiennent tout l'info importante sur index dans IRIS. Gestion des index 2021.2 Fonctionnalité SQL en vedette - Choix du plan d'exécution Ces articles montrent les mises à jour effectuées pour le modèle relationnel dans la version 2021.2 d'IRIS. 2021.2 Fonctionnalité SQL en vedette - Échantillonnage intelligent et automatisation des statistiques de table 2021.2 Fonctionnalité SQL en vedette - Choix du plan d'exécution La seule astuce de performance des requêtes que vous devez connaître ? Tune Table ! Cet article montre l'utilisation de Tune Table. Les problèmes courants et leurs solutions selon Kyle : 7 raisons pour lesquelles une requête ne renvoie aucune donnée Cet afrticle présente les problèmes les plus courants et les moyens de les résoudre. Embedded SQL - nouveauté dans InterSystems IRIS Cet article présente l'utilisation dEmbedded SQL. APM - Surveillance des performances des requêtes SQL Cet article montre le moyen d'utiliser des statistiques de requêtes. Les classes, les tables et les globales - comment tout cela fonctionne? Cet article montre le lien entre trois modelles de données dans IRIS. Différents modèles de données dans InterSystems IRIS Cet article montre différents modèles de données dans InterSystems IRIS. J'espère que cette liste vous aidera aussi !

Salut la communauté, Nous sommes ravis d'accueillir @Irène.Mykhailova en tant que nouvelle modératrice française dans l'équipe de la Communauté des Développeurs ! 🎉 Regardons de plus près la bio d'Irène. @Irène.Mykhailova est professeure associée à Igor Sikorsky Institut Polytechnique de Kyiv (KPI) et elle est aussi gestionnaire de contenu de la Communauté des Développeurs francophones d'InterSystems. KPI est une université technique de premier plan en Ukraine. Quelques mots sur Irène Elle a commencé sa carrière en 2009 en tant que développeur de logiciels et a travaillé sur de nombreux projets liés à la fabrication, aux services postaux et aux services bancaires. Et en parallèle, elle a rédigé sa thèse de doctorat et elle travaille à l'université, apportant son expérience pratique au profit de l'enseignement. Elle travaille avec les technologies d'InterSystems depuis qu'elle a commencé à enseigner en 2011. Quelques autres faits sur Irène Elle est née en Ukraine en 1987, a vécu à Kyiv, a récemment déménagé à Wroclaw, en Pologne. Ses passe-temps sont la programmation, les arts martiaux, les voyages et la batterie. BIENVENU! Merci et félicitations @Irène.Mykhailova 👏🏼 On espère que vous serez une excellente modératrice ! Bienvenue dans la Team Irène Merci Je ferai de mon mieux !

InterSystems utilise une cadence de publication à deux flux avec InterSystems IRIS depuis 2018 (voir l'annonce originale du moment où cela a commencé). Nous fournissons : Des versions à publication continue (CD) − ces versions permettent d'accéder rapidement aux nouvelles fonctionnalités et sont idéales pour développer et déployer des applications qui sont continuellement mises à jour et peuvent profiter immédiatement des nouvelles fonctionnalités. Des versions de maintenance étendue (EM) − ces versions sont moins fréquentes que les versions en publication continue mais offrent la stabilité accrue des versions de maintenance. Elles sont idéales pour les grandes applications d'entreprise où la facilité d'obtenir des correctifs dans les versions de maintenance est plus importante que l'accès anticipé aux nouvelles fonctionnalités. Nous avons eu des retours très positifs sur cette approche, et les gens ont commencé à parler du «train lent» et du «train rapide». Les versions EM sont le «train lent» préféré des clients et des partenaires qui ont une grande base de clients sur site. Les versions CD sont le «train rapide» préféré des clients et partenaires qui recherchent les fonctionnalités de pointe. De nombreux autres fournisseurs de logiciels utilisent maintenant cette approche à deux flux, et appellent généralement leur «train lent» LTS, qui signifie «Prise en charge à long terme» (Long Term Support). L'approche d'InterSystems en matière d'assistance est très centrée sur le client ; nous assistons les clients sur n'importe quelle version tant qu'ils l'utilisent. C'est pourquoi nous utilisons la terminologie de maintenance étendue (EM). Notre cadence de publication a évolué au fur et à mesure de notre croissance. Au départ, les versions EM étaient sous forme de kits et les versions CD étaient sous forme de conteneurs. En 2020, avec la popularité croissante des conteneurs, nous avons inclus les kits et les conteneurs dans les versions EM. Par conséquent, les versions EM sont les versions «.1» de chaque année, et les versions CD sont «.2», «.3», etc.Avec notre version 2021.2, nous avons fait évoluer notre cadence un peu plus : Les versions CD sont maintenant disponibles sous forme de kits et de conteneurs. Nous avons ajouté HealthShare Health Connect dans ces trains de versions aux côtés d'InterSystems IRIS et d'InterSystems IRIS for Health. Nous l'avons fait à la demande de nos clients. Même si plus de 70 % des développeurs utilisent maintenant InterSystems IRIS dans des conteneurs, ceux qui développent directement sur MacOS et Windows voulaient avoir accès au train rapide. Les déploiements de production sur des versions CD sont également de plus en plus courants, et certains clients sont moins habitués à utiliser des conteneurs en production. Les clients de Health Connect voulaient avoir accès aux fréquentes nouvelles fonctionnalités. Restrictions sur les versions CD Même si nous fournissons maintenant des versions CD sous forme de kit, elles sont toujours différentes des versions EM. Les versions CD sont le «train rapide» et sont destinées à permettre aux clients de passer rapidement et facilement à la toute dernière version. Elles ont quelques restrictions : Il n'y a pas de mises à jour de maintenance ou de mises à jour SV pour les versions CD. Il n'y a pas d'adhocs sur les versions CD. Au lieu de cela, vous passez à la version CD suivante, qui contient toutes les corrections de défauts et les mises à jour de sécurité. Nous ne prenons pas en charge les conversions sur place de Caché ou Ensemble vers les versions CD. Au lieu de cela, vous passez à la version EM la plus récente. Les clients et partenaires qui ont compilé des applications sur nos produits de la génération précédente, Caché et Ensemble, devraient utiliser le «train lent» car il correspond au rythme auquel ils sont habitués. Les chemins de mise à niveau à partir des versions CD sont limités à : la prochaine version CD (par exemple, 2020.2→2020.3) la prochaine version EM majeure ou une version de maintenance de cette année (2020.2→2021.1, 2020.3→2022.1, 2020.3->2021.1.1) Ces restrictions ne sont pas nouvelles, mais les clients qui utilisaient des versions CD dans le passé remplaçaient simplement les conteneurs. Nous n'avons tout simplement pas rencontré de situations où les clients avaient besoin d'autre chose. Lors de notre Virtual Summit 2020, j'ai organisé une session sur le cycle de vie des produits InterSystems et les commentaires que j'ai reçus étaient que l'approche à deux flux fonctionnait bien et que les restrictions sur les versions CD étaient naturelles. Maintenant que nous avons introduit les versions CD sous forme de kit, je voulais rappeler aux gens comment fonctionnaient les versions CD et EM. Si vous utilisez 2021.2 sous forme de kit, vous devez vous attendre à une mise à niveau vers 2022.1. À partir de là, vous pourrez continuer à prendre le « train rapide » ou passer au «train lent» sans effort supplémentaire.

Salut la communauté, Nous sommes ravis d'annoncer une nouvelle ↔ Developers Connections activité sur Global Masters. Avez-vous une question / un sujet délicat dont vous souhaitez discuter avec quelqu'un ayant une expérience pratique ? Nous voulons qu'il soit facile pour vous de réseauter, de réfléchir à des idées et de discuter de questions avec vos pairs. Vous pouvez désormais demander une connexion sur un certain sujet via le défi Global Masters, et également répondre aux demandes des autres ! Consultez la chaîne "Connexions". Pas encore membre Global Masters ? Inscrivez-vous ici en utilisant vos identifiants InterSystems SSO.

Supply Chain La plupart des entreprises sont confrontées aux défis de la supply chain en raison d’un manque de visibilité, d’un accès à leurs données en temps réel et d’une incapacité à prendre des décisions éclairées. Une solution « Sense and Respond » n’a jamais été aussi primordiale. De plus, la majorité des utilisateurs de la supply chain s’interrogent : « Comment exploiter au mieux les données issues de notre supply chain dynamique pour prendre des décisions prescriptives qui auront une incidence sur notre organisation ? » InterSystems a la réponse. Dans le monde d’aujourd’hui, les données sont essentielles à la gestion d’une supply chain efficiente. Chez InterSystems, nous croyons en l’importance de pouvoir mettre à disposition des utilisateurs une plateforme qui offre un accès aux données de manière efficace, grâce à un moteur intelligent et convivial permettant l’identification de problèmes fondamentaux afin qu’ils deviennent des exceptions ou génèrent des solutions normatives. Aujourd’hui, InterSystems vient en aide aux utilisateurs de la supply chain des secteurs du retail, des produits de grande consommation (PGC), de l’industrie manufacturière et de la santé. Nos solutions permettent une orchestration de vos données en temps réel. Une approche unique à l’orchestration en temps réel de la supply chain pour des données exploitables au sein de toute l’entreprise grâce la plateforme de gestion de données InterSystems IRIS. Les défis de la supply chain : Manque de visibilité de bout en bout et de reporting Silos de données, difficulté à intégrer et normaliser les données disparates Difficulté à effectuer des analyses pour répondre aux besoins de l’entreprise au moment voulu Problèmes de latence des données Nombreuses procédures manuelles nécessitant une manipulation et une correction des données Retards dans l’évaluation de la perturbation de la supply chain en temps réel au moyen d’informations exploitables et d’une analyse prescriptive Nos solutions InterSystems IRIS® appliqué à la supply chain est une plateforme de gestion de données de future génération dédiée à la mise en place d’architectures de type « Smart Enterprise Data Fabric » pour un accès à des connaissances intelligentes et exploitables en temps réel, à partir des informations, des disruptions et des contraintes de la supply chain, au sein de l’entreprise dans son ensemble et à l’échelle d’un écosystème international pour une rentabilité accrue. Les cas d’usages où nous avons le plus impact Planification Planification intégrée des activités (S&OP/IBP) Demande/Prévision Approvisionnement/Production Inventaire Planification des ressources Approvisionnement Sourcing Stratégies Sélection des fournisseurs Performance des fournisseurs Fonctionnement/Fabrication Réduction des opérations Performance et amélioration du rendement Jumeau numérique Robotique Livraison Opérations logistiques Distribution/Gestion DC optimisée Réapprovisionnement WMS/TMS Retours/Service Opérations de réparation Gestion des pièces de rechange Distribution Réf. : Deloitte Consulting, LLC & Association for Supply Chain Management (ASCM), Digital Capabilities Model (DCM) for Supply Networks, 2019 InterSystems à travers le monde Fournisseur de solutions innovantes liées à la gestion des données pour répondre aux enjeux stratégiques de la supply chain, dans les secteurs de la santé, de l’industrie manufacturière, du retail et des produits de grande consommation Reconnu leader par Forrester, Gartner Peer Insights, Gartner Magic Quadrant et IDC Primé pour son assistance technique de pointe disponible pour ses clients et ses partenaires 24 heures sur 24 et 7 jours sur 7 dans plus de 80 pays Une entreprise privée stable et rentable fondée en 1978 Performance inégalée, évolutivité, Interopérabilité, fiabilité et flexibilité Bureaux dans 26 pays Nos principaux atouts Plateforme dotée d’une infrastructure souple et d’une interface unique Aucun investissement préalable dans des outils coûteux et non intégrés Architectures de type Smart Data Fabric Rentabilité accélérée Service d’analyse adaptatif avec des solutions intégrées d’informatique décisionnelle Commencez à n’importe quelle étape de votre supply chain et évoluez en fonction de vos besoins Interface utilisateur flexible et des applications qui offrent une visibilité en temps réel et une latence réduite Fiabilité stratégique éprouvée Réduction du coût d’acquisition et optimisation des ressources Cliquez ici pour en savoir plus sur la façon d’optimiser votre supply chain. Lisez la publication initiale.

Salut la communauté, Permettez-moi de vous présenter la dernière mise à jour du hub de gamification Global Masters ! Nous avons réorganisé les défis sous l'onglet "Défi" - maintenant tous les défis sont triés en canaux (dossiers). Nous espérons que cela aidera les nouvelles personnes à naviguer dans le hub et à trouver plus facilement les défis les plus pertinents. La page d'accueil reste la même. Visitez-la ! Si vous avez des commentaires / idées - s'il vous plaît laissez-nous savoir :) Pas encore membre Global Masters ? Connectez-vous à l'aide de vos informations d'identification SSO InterSystems.

Introduction L'analyse des données est un aspect crucial de la prise de décision commerciale dans le monde moderne où tout va très vite. Les organisations s'appuient fortement sur l'analyse des données pour prendre des décisions éclairées et garder une longueur d'avance sur la concurrence. Dans cet article, nous allons explorer comment l'analyse de données peut être réalisée en utilisant Pandas et Intersystems Embedded Python. Nous discuterons des bases de Pandas, des avantages de l'utilisation d'Intersystems Embedded Python et de la façon dont ils peuvent être utilisés ensemble pour réaliser des analyses de données efficaces. .png) ## **Pandas : à quoi ça sert ?** Pandas est un outil polyvalent qui peut être utilisé pour une large gamme de tâches, à tel point qu'il est peut-être plus facile de dresser la liste de ce qu'il ne peut pas faire plutôt que de ce qu'il peut faire. Essentiellement, Pandas abrite vos données. Il vous permet de nettoyer, de transformer et d'analyser vos données afin de vous familiariser avec elles. Par exemple, si vous avez un ensemble de données enregistré dans un fichier CSV sur votre ordinateur, Pandas peut extraire les données dans une structure de type tableau appelée DataFrame. Avec ce DataFrame, vous pouvez effectuer diverses tâches telles que : * Calculer des statistiques et répondre à des questions sur les données, par exemple trouver la moyenne, la médiane, le maximum ou le minimum de chaque colonne, déterminer s'il existe une corrélation entre les colonnes ou explorer la distribution des données dans une colonne spécifique. * Nettoyer les données en supprimant les valeurs manquantes ou en filtrant les lignes et les colonnes sur la base de certains critères. * Visualiser les données à l'aide de Matplotlib, qui vous permet de tracer des barres, des lignes, des histogrammes, des bulles, etc. * Renvoyer les données nettoyées et transformées dans un fichier CSV, une base de données ou un autre type de fichier. Avant de se lancer dans la modélisation ou les visualisations complexes, il est essentiel d'avoir une solide compréhension de la nature de votre ensemble de données, et pandas constitue le meilleur moyen d'y parvenir.   ## Avantages de l'utilisation de Python intégré d'Intersystems Python intégré d'Intersystems est un environnement d'exécution Python intégré à la plate-forme de données d'Intersystems. Il fournit un moyen sûr et efficace d'exécuter du code Python au sein de la plateforme de données, sans avoir à quitter l'environnement de la plateforme. Cela signifie que les analystes de données peuvent effectuer des tâches d'analyse de données sans avoir à passer d'un environnement à l'autre, ce qui se traduit par une efficacité et une productivité accrues. ##   ## Combinaison de Pandas et de Python intégré d'Intersystems En combinant Pandas et Python intégré d'Intersystems, les analystes de données peuvent effectuer des tâches d'analyse de données en toute simplicité. Python intégré d'Intersystems fournit un environnement d'exécution sécurisé et efficace pour l'exécution du code Python, tandis que Pandas fournit un ensemble puissant d'outils de manipulation de données. Ces deux solutions offrent une solution complète d'analyse de données pour les organisations.   ## Installation de Pandas. Installation d'un paquet Python Pour utiliser Pandas avec Python intégré, vous devez l'installer en tant que paquet Python. Voici les étapes de l'installation de Pandas : * Ouvrez une invite de commande en mode Administrateur (sous Windows). * Naviguez vers le répertoire `<installdir>/bin` dans l'invite de commande. * Exécutez la commande suivante pour installer Pandas : `irispip install --target <installdir>\mgr\python pandas` Cette commande installe Pandas dans le répertoire `<installdir>/mgr/python`, qui est recommandé par InterSystems. Notez que la commande exacte peut différer en fonction du paquet que vous installez. Remplacez simplement `pandas` par le nom du paquet que vous souhaitez installer. Voilà, c'est fait ! Vous pouvez maintenant utiliser Pandas avec Python intégré d'InterSystems. irispip install --target C:\InterSystems\IRIS\mgr\python pandas Maintenant que nous avons installé Pandas, nous pouvons commencer à travailler avec le [jeu de données sur les employés](https://drive.google.com/file/d/1Ggpl4xDfcKDtSjUnyIostp-fJgidFks1/view?usp=sharing). Voici les étapes à suivre pour lire le fichier CSV dans un Pandas DataFrame et effectuer un nettoyage et une analyse des données : ### Tout d'abord, créons une nouvelle instance de python Set python = ##class(%SYS.Python).%New() ### Importation de Bibliothèques Python, dans ce cas je vais importer pandas et builtins Set pd = python.Import("pandas") #;Pour importer les fonctions intégrées qui font partie de la bibliothèque standard de Python Set builtins = python.Import("builtins") ## Importation de données dans la bibliothèque pandas Il existe plusieurs façons de lire des données dans un DataFrame Pandas à l'aide de Python intégré. Voici trois méthodes courantes. J'utilise le fichier modèle suivant comme [exemple](https://drive.google.com/file/d/1Ggpl4xDfcKDtSjUnyIostp-fJgidFks1/view?usp=sharing). ### Lecture de données à partir d'un fichier CSV. Utilisez `read_csv()` avec le trajet du fichier CSV pour lire des valeurs séparées par des virgules. Set df = pd."read_csv"("C:\InterSystems\employees.csv")   ### Importation de fichiers texte {#importing-text-files} La lecture des fichiers texte est similaire à celle des fichiers CSV. La seule nuance est que vous devez spécifier un séparateur avec l'argument `sep`, comme indiqué ci-dessous. L'argument séparateur fait référence au symbole utilisé pour séparer les lignes dans un DataFrame. La virgule (`sep = ","`), l'espace (`sep = "\s"`), la tabulation (`sep = "\t"`), et les deux points (`sep = " :"`) sont les séparateurs les plus couramment utilisés. Ici, `\s` représente un seul caractère d'espacement. Set df = pd."read_csv"("employees.txt",{"sep":"\s"})   ## Importation de fichiers Excel Pour importer des fichiers Excel avec une seule feuille, la fonction "read_excel()" peut être utilisée avec le chemin d'accès au fichier en entrée. Par exemple, le code df = pd.read\_excel('employees.xlsx') lit un fichier Excel nommé "diabetes.xlsx" et enregistre son contenu dans un DataFrame appelé "df". D'autres arguments peuvent également être spécifiés, comme l'argument header qui détermine quelle ligne devient l'en-tête du DataFrame. Par défaut, header est fixé à 0, ce qui signifie que la première ligne devient l'en-tête ou les noms de colonnes. Si vous souhaitez spécifier des noms de colonnes, vous pouvez passer une liste de noms à l'argument names. Si le fichier contient un index de ligne, vous pouvez utiliser l'argument index_col pour le spécifier. Il est important de noter que dans un DataFrame pandas ou une Series pandas, l'index est un identifiant qui pointe vers l'emplacement d'une ligne ou d'une colonne. Il étiquette la ligne ou la colonne d'un DataFrame et vous permet d'accéder à une ligne ou une colonne spécifique en utilisant son index. L'index de ligne peut être une plage de valeurs, une série chronologique, un identifiant unique (par exemple, l'identifiant d'un employé) ou d'autres types de données. Pour les colonnes, l'index est généralement une chaîne de caractères indiquant le nom de la colonne. Set df = pd."read_excel"("employees.xlsx")   ### Importation de fichiers Excel (plusieurs feuilles) {#importing-excel-files-(multiple-sheets)} La lecture de fichiers Excel avec plusieurs feuilles n'est pas très différente. Vous devez juste spécifier un argument supplémentaire, `sheet_name`, où vous pouvez soit passer une chaîne pour le nom de la feuille, soit un entier pour la position de la feuille (notez que Python utilise l'indexation 0, où la première feuille est accessible avec `sheet_name = 0`). #; Extracting the second sheet since Python uses 0-indexing Set df = pd."read_excel"("employee.xlsx", {"sheet_name":"1"}) ###   ### Lecture de données à partir d'un fichier JSON. Set df = pd."read_json"("employees.json") ## Examinons les données contenues dans une dataframe. #### Comment afficher des données en utilisant `.head()` et `.tail()` ? Pour cela, nous pouvons utiliser la bibliothèque des builtins que nous avons importée (ZW fonctionne aussi  ) do builtins.print(df.head()) .png) ###   ### Dressons la liste de toutes les colonnes de l'ensemble de données Do builtins.print(df.columns) ##.png) Nettoyons les données ###   ### Convertissez la colonne " Start Date " (date de début) en un objet type datetime (heure de la journée). Set df."Start Date" = pd."to_datetime"(df."Start Date") l'ensemble de données mis à jour se présente comme suit. .png)   ### Convertissez la colonne 'Last Login Time' (heure de dernière connexion) en un objet de type 'datetime' (heure de la journée).   Set df."Last Login Time" = pd."to_datetime"(df."Last Login Time") .png) ### Les valeurs manquantes de la colonne "Salaire" sont complétées par le salaire moyen. Set meanSal = df."Salary".mean() Set df."Salary" = df."Salary".fillna(meanSal)   ## Réalisation d'une analyse. ### Détérminaison du salaire moyen par genre. Do builtins.print(df.groupby("Gender")."Salary".mean()) ###.png) ###   ### Calculation du pourcentage moyen de la prime par équipe. Do builtins.print(df.groupby("Team")."Bonus %".mean()) ###.png)   ### Calculation du nombre de salariés recrutés chaque année.   Do builtins.print(df."Start Date".dt.year."value_counts"()."sort_index"()) ###.png) ###   ### CCalculation du nombre de salariés par ancienneté privilégiée. Do builtins.print(df."Senior Management"."value_counts"()) ### .png)   ## Sortie de données dans pandas {#outputting-data-in-pandas} Tout comme pandas peut importer des données à partir de différents types de fichiers, il vous permet également d'exporter des données dans différents formats. C'est notamment le cas lorsque les données sont transformées à l'aide de pandas et qu'elles doivent être sauvegardées localement sur votre machine. Voici comment exporter des DataFrames pandas dans différents formats. ### Sortie d'une DataFrame dans un fichier CSV {#outputting-a-dataframe-into-a-csv-file} Un DataFrame pandas (ici nous utilisons `df`) est enregistré comme fichier CSV en utilisant la méthode `. "to_csv"()`. do df."to_csv"("C:\Intersystems\employees_out.csv")   ### Sortie d'une DataFrame dans un fichier JSON {#outputting-a-dataframe-into-a-json-file} Exportation de l'objet DataFrame dans un fichier JSON en appelant la méthode `. "to_json"()`. do df."to_json"("C:\Intersystems\employees_out.json")   ### Sortie d'une DataFrame dans un fichier Excel {#outputting-a-dataframe-into-an-excel-file} Appelez `. "to_excel"()` à partir de l'objet DataFrame pour l'enregistrer dans un fichier `".xls"` ou `".xlsx"`. do df."to_excel"("C:\Intersystems\employees_out.xlsx")   ## Créons un diagramme à barres de base qui montre le nombre d'employés recrutés chaque année. pour cela, j'utilise matplotlib.pyplot   //importer matplotlib Set plt = python.Import("matplotlib.pyplot") //créer un nouveau cadre de données pour représenter le diagramme à barres set df2 = df."Start Date".dt.year."value_counts"()."sort_index"().plot.bar() //exporter la sortie en png do plt.savefig("C:\Intersystems\barchart.png") //nettoyage do plt.close() .png)   Voilà, c'est fait ! Avec ces étapes simples, vous devriez être en mesure de lire un fichier CSV, de nettoyer les données et d'effectuer quelques analyses de base à l'aide de Pandas dans Python intégré d'InterSystems.   ## Vidéo Vous pouvez maintenant accéder à la vidéo en utilisant le lien fourni ci-dessous. La vidéo elle-même constitue une vue d'ensemble et un développement complet du tutoriel ci-dessus. ## Conclusion  Le tutorial fourni ne couvre que les principes de base de ce que pandas peut faire. Avec pandas, vous pouvez effectuer une large gamme de tâches d'analyse, de visualisation, de filtrage et d'agrégation de données, ce qui en fait un outil inestimable dans tout flux de données. En outre, lorsqu'il est associé à d'autres paquets de science des données, vous pouvez créer des tableaux de bord interactifs, développer des modèles d'apprentissage automatique pour faire des prédictions, automatiser des flux de données, et bien d'autres choses encore. Pour approfondir votre compréhension de pandas, explorez les ressources répertoriées ci-dessous et accélérez votre parcours d'apprentissage.   ## Avertissement _Il est important de noter qu'il existe plusieurs façons d'utiliser Pandas avec InterSystems. L'article fourni est uniquement destiné à des fins éducatives et ne garantit pas l'approche la plus optimale. En tant qu'auteur, j'apprends et j'explore continuellement les capacités de Pandas, et par conséquent, il peut y avoir des méthodes ou des techniques alternatives qui pourraient produire de meilleurs résultats. Par conséquent, les lecteurs doivent faire preuve de discernement et de prudence lorsqu'ils appliquent les renseignements présentés dans l'article à leurs projets respectifs._

SANTEXPO, c’est (déjà) la semaine prochaine ! En présence des acteurs incontournables de la santé, les équipes InterSystems France et ses partenaires MyPL, Guerbet, Synodis, Neo et Calysp Data Intelligence ont hâte de vous accueillir dès mardi prochain au Parc des Expositions à Paris. 3 journées entièrement dédiées à la santé, à l'innovation et à la Data : Prises de parole de nos experts, Démonstrations produits, agora, accompagnement personnalisé pour vous aider à mieux comprendre, gérer et innover grâce à vos données… Un programme qui s'adapte aux disponibilités et aux envies de chacun ! À la semaine prochaine 👋 !

Avec les dernières améliorations concernant le support de Python dans IRIS, et la poursuite du travail sur le support de [Python DB-API](https://docs.intersystems.com/irisforhealth20221/csp/docbook/DocBook.UI.Page.cls?KEY=BTPI_pyapi) par InterSystems. J'ai implémenté le support IRIS dans le projet Django où Python DB-API est utilisé pour travailler avec d'autres bases de données. Essayons une application simple sur Django, qui stocke ses données dans IRIS.  Cette application est disponible sur [GitHub](https://github.com/caretdev/django-iris-todo), clonons-la git clone https://github.com/caretdev/django-iris-todo cd django-iris-todo Et nous pouvons le construire et le démarrer avec Docker-compose docker-compose up -d --build Cela prendra un certain temps, quand IRIS sera démarré, et l'application Django l'attrapera, migrez les modèles là et lancez l'application aussi, une fois qu'elle est démarrée, elle sera disponible par http://localhost:8000/ et vous devriez avoir l'image comme ci-dessus. ### Mais, comment cela fonctionne-t-il ? Pour le faire fonctionner, il faut que l'interface InterSystems Python DB-API soit installée, elle est livrée avec la dernière version de l'aperçu, vous devez donc avoir la version 2022.1.0.114.0 ou une version supérieure et elle se trouve dans le dossier de l'instance `<INSTALL_DIR>/dev/python/`. Ce fichier peut également être téléchargé à partir de [ce depôt GitHub](https://github.com/intersystems-community/iris-driver-distribution)  pip3 install intersystems_irispython-3.2.0-py3-none-any.whl Le back-end IRIS de Django est implémenté par un autre projet, et qui peut être installé avec pip, et pour sûr nous avons besoin de django lui-même, installons-les pip3 install django django-iris Une autre façon d'installer les paquets requis dans Python est d'utiliser le fichier requirements.txt pip3 install -r requirements.txt Alors que ce fichier contient, les lignes suivantes https://raw.githubusercontent.com/intersystems-community/iris-driver-distribution/main/intersystems_irispython-3.2.0-py3-none-any.whl Django~=4.0.2 django-iris~=0.1.5 Connectons notre application Django à l'IRIS, ouvrons le fichier todoApp/settings.py .png) DATABASES définit les paramètres de connexion à la base de données ENGINE doit être django_IRIS NAME doit pointer vers l'espace de nom Namespace dans IRIS. Il suffit de le changer en quelque chose, où il peut se connecter. Par exemple DATABASES = {     'default': {         'ENGINE': 'django_iris',         'NAME': 'DJANGOTODO',         'HOST': 'localhost',         'PORT': 1972,         'USER': '_SYSTEM',         'PASSWORD': 'SYS',     } } Et lançons la migration python3 manage.py migrate .png) Aucune erreur, tous les tableaux du côté d'IRIS sont créés. Et nous sommes prêts à démarrer notre application python3 manage.py runserver .png) Django est livré avec un panneau d'administration python3 manage.py createsuperuser  Et le panneau d'administration est disponible par le lien http://localhost:8000/admin/,  .png) Et comment il est stocké dans IRIS .png)   Le travail est toujours en cours pour le pilote Python DB-API d'InterSystems, et aussi pour ce projet django-iris. Soyez conscient que cela ne fonctionnera pas aussi bien sur la version Community Edition, en raison de la façon dont Django se connecte à la base de données, il peut utiliser toutes les licences très rapidement. Si vous aimez le projet, et son impact futur sur l'utilisation d'IRIS, veuillez voter sur [Compétition OpenExchange](https://openexchange.intersystems.com/contest/current)

Salut la Communauté ! Si le sujet FHIR vous intéresse, vous trouverez ci-dessous une sélection d'articles intéressants qui aideront les débutants à le comprendre et à approfondir les connaissances de ceux qui l'utilisent déjà. Nom de l'article De quoi s'agit-il 1. Bibliothèque de SMART sur FHIR JS et les exemples dans iris-on-fhir Cet article décrit une bibliothèque JS pour accéder aux ressources FHIR avec deux exemples d'utilisation. 2. Présentation d'IRIS sur FHIR Cet article montre en exemple d'utilisation de FHIR. 3. Un exemple simple d'un client Fhir en java Cet article montre un client FHIR simple en Java pour s'exercer avec les ressources FHIR et les requêtes CRUD vers un serveur FHIR. 4. Un exemple simple de client Fhir en python Cet article montre un client FHIR simple en Python pour s'exercer avec les ressources FHIR et les requêtes CRUD vers un serveur FHIR. 5. Un exemple simple de client Fhir en c# Cet article montre un client FHIR simple en C# pour s'exercer avec les ressources FHIR et les requêtes CRUD vers un serveur FHIR. 6. Création de Patient et d'Observations de Patient en utilisant l'application iris-fhir-client Cet article montre comment créer des ressources pour le patient et l'observation du patient en utilisant l'application iris-fhir-client . 7. HL7v2 vers FHIR, c'est facile ! Cet article décrit le projet pour fournir une API REST capable de convertir facilement divers formats de santé. 8. Réalisation complète d'IRIS en Python : DataTransformation d'un CSV vers un serveur FHIR Cet article montre comment receuillir des informations à partir d'un csv, nous utilisons une DataTransformation pour les transformer en un objet FHIR, puis nous sauvegardons ces informations sur un serveur FHIR, et tout cela en utilisant uniquement Python. 9. Créons un profil FHIR à l'aide de SUSHI Partie 1 Dans cette série, on vous montrerai pas comment utiliser IRIS for Health, mais plutôt comment utiliser SUSHI, un outil de création de profils FHIR, en tant que technologie associée. 10. Utilisation de SUSHI pour la création de profils FHIR, partie 2 11. Invitation du service FHIR Accelerator à votre fête de microservices Kubernetes Voici un moyen rapide d'inviter le service InterSystems® FHIR®Accelerator à votre groupe de microservices Kubernetes pour une utilisation immédiate. La solution fait appel à des mouvements de proxy ninja de Nginx pour faire le travail. 12. Création et validation de n'importe quelle ressource HL7 FHIR en utilisant le schéma FHIR à l'aide d'IntelliSense et de la fonctionnalité de complétion automatique dans VS Code Cet article explore comment créer et valider une ressource FHIR en utilisant le schéma FHIR à l'aide d'IntelliSense et de la fonctionnalité de complétion automatique dans VS Code. 13. Construction d'un référentiel FHIR + le serveur d'autorisation OAuth2/serveur de ressources sur IRIS for Health - Partie 1 Ces articles montrent comment configurer le référentiel FHIR + le serveur d'autorisation OAuth2/serveur de ressources sur IRIS for Health. 14. Construction d'un référentiel FHIR + le serveur d'autorisation OAuth2/serveur de ressources sur IRIS for Health - Partie 2 15. iOS, FHIR et IRIS for Health Cet article montre comment on peut utiliser une application iOS pour exporter les données HealthKit vers InterSystems IRIS for Health (ou n'importe quel référentiel FHIR). 16. Le serveur FHIR fait fonctionner le projet Vulcain au cours du HL7 FHIR Connectathon Cet article montre comment le serveur FHIR peut faire fonctionner le projet Vulcan. 17. Quelques exemples d'adaptateurs d'interopérabilité FHIR Cet article propose quelques exemples qui peuvent être mis en œuvre en utilisant les systèmes InterSystems IRIS For Health et HealthShare Health Connect. Dans ces exemples, on utilise des productions d'interopérabilité avec l'adaptateur d'interopérabilité FHIR Interoperability Adapter et les messages HS.FHIRServer.Interop.Request. 18. Formulaires et questionnaire dans FHIR : De la création à l'utilisation Cet article aborde les questions de Questionnaire et QuestionnaireResponse de FHIR depuis la création du formulaire jusqu'au téléchargement sur le serveur et la façon de les remplir. 19. CSV EN FHIR EN SQL PUIS EN JUPYTER - Concours FHIR V2 Cet article décrit un outil pour transformer un fichier CSV en FHIR en SQL en JUPYTER notebook. 20. FHIRDrop, FHIRBox - le transfert de fichiers géré vers FHIR® Cet article montre une production simple qui permet de charger des paquets de transactions FHIR dans le serveur FHIR® d'InterSystems® via Box et Dropbox. 21. Configurez votre serveur InterSystems FHIR en une seule commande Cet article montre l'utilisatin d'un paquet IPM fhir-server permettant de faire de la configuration du serveur FHIR d'InterSystems une procédure manuelle, automatique ou programmatique triviale d'une seule commande. 22. Création de questionnaires FHIR Cet article explique comment utiliser chacune des fonctionnalités FHIR (Serveur FHIR, base de données FHIR, API REST et ObjectScript pour les opérations CRUD sur les ressources FHIR), et présente un front-end Angulaire permettant de créer et d'afficher des ressources FHIR de type Quiz. 23. FHIR server template Ce Template s'agit du modèle de base pour utiliser InterSystems IRIS for Health Community Edition en tant que serveur FHIR. Il configure un serveur FHIR, importe les données de test, fait la démonstration de l'utilisation de l'API REST avec une simple page web. J'espère que cette liste vous aidera !

Nous avons hâte de voir tout le monde au InterSystems Global Summit la semaine prochaine !George James Software sera présent pour proposer des démonstrations de notre contrôle de source Deltanji. Il a été prouvé qu'il améliore l'efficacité des développeurs individuels, des grandes organisations et de tous les autres en apportant de la clarté au développement de votre système. Il encourage la gestion de la configuration, la gestion des versions et le contrôle des processus pour améliorer la qualité de votre code.Si vous souhaitez en savoir plus, rendez-vous dans le pavillon des partenaires ou réservez pour notre session de groupe d'utilisateurs pendant le déjeuner du mercredi 22 juin. Envoyez un e-mail laurelj@georgejames.com pour nous informer de votre présence.