---
type: course
title: "Analyste de données : un agent qui exécute du Python sur un CSV"
description: "Construire avec Google ADK et l'exécution de code intégrée de Gemini un agent qui analyse un CSV de ventes fictif, calcule statistiques et tendances, trace un graphique et propose des recommandations, avec un contrôle automatique des chiffres."
level: intermediate
duration: "2h30"
tags: [ia, adk, code-execution, pandas, analyse-donnees, gemini]
date: 2026-10-15
authors: [Youcef]
usecases: [analyse-donnees]
platforms: [google-adk, gemini-api]
references:
  - title: "ADK : outil Code Execution de l'API Gemini"
    url: https://adk.dev/integrations/code-execution/
  - title: "Gemini API : exécution de code"
    url: https://ai.google.dev/gemini-api/docs/code-execution
    note: "Bibliothèques disponibles, entrées/sorties de fichiers, limites (30 s d'exécution)"
  - title: "ADK : artefacts"
    url: https://adk.dev/artifacts/
  - title: "ADK : limites des outils"
    url: https://adk.dev/tools/limitations/
  - title: "google/adk-python (code source)"
    url: https://github.com/google/adk-python
---

Demander à un modèle de langage « quel est le chiffre d'affaires total ? » sur 144 lignes de données, c'est lui demander de faire une addition de tête : il peut se tromper. Lui permettre d'**écrire et d'exécuter du Python**, c'est lui donner une calculatrice exacte. Dans ce lab, vous branchez l'exécution de code intégrée de Gemini sur un agent Google ADK avec une ligne, `code_executor=BuiltInCodeExecutor()`, et vous vérifiez que les chiffres du rapport sont **justes**.

Les données (`ventes.csv`) sont fictives : 12 mois de 2025, 4 régions, 3 catégories de produits d'une boutique imaginaire.

## Pour qui ?

- Développeurs ou analystes Python qui connaissent les bases de pandas.
- Vous avez déjà vu un agent ADK simple (sinon, commencez par le lab [Assistant e-commerce](../01-assistant-ecommerce-commandes/index.md)).

## Ce que vous construisez

```mermaid
flowchart LR
  CSV["ventes.csv (144 lignes)"] --> MSG["construire_message() : question + CSV"]
  MSG --> A["analyste_donnees (BuiltInCodeExecutor)"]
  A -->|"écrit du Python"| SB["Bac à sable Google : pandas, matplotlib"]
  SB -->|"résultat, image PNG"| A
  A --> ART[("Artefacts ADK : graphique.png")]
  A --> R["Rapport : chiffres clés, tendances, recommandations"]
  R --> V["verifier() : chiffres comparés à pandas local"]
```

## Prérequis

- Python 3.10+, une clé d'API Gemini.
- `pip install -r files/requirements.txt` (google-adk, python-dotenv, pandas pour le contrôle, pytest).

## Programme

| Module | Leçon | Ce que vous faites | Durée |
| --- | --- | --- | --- |
| 1. Cas d'usage | [Le cas d'usage et l'architecture](./01-cas-d-usage/01-cas-d-usage-et-architecture.md) | Où s'exécute le code, comment les données y arrivent | 30 min |
| 2. Construire | [L'agent analyste](./02-construire/01-agent-analyste.md) | `BuiltInCodeExecutor`, instruction, message avec le CSV | 40 min |
| 2. Construire | [Graphique et contrôle des chiffres](./02-construire/02-graphique-et-controle.md) | Récupérer l'image en artefact, vérifier les chiffres | 40 min |
| 3. Tester et exploiter | [Tester et exploiter](./03-tester-et-exploiter/01-tester-et-exploiter.md) | Faux modèle, run réel, limites, alternatives | 40 min |

## Le code

Dans `files/` : [agent.py](./files/agent.py), [run.py](./files/run.py) (analyse réelle + contrôle), [test_agent.py](./files/test_agent.py) (4 tests sans clé), [ventes.csv](./files/ventes.csv), [requirements.txt](./files/requirements.txt) et `.env.example`.

## En local ou sur Google Cloud ?

| | En local (ce lab) | Sur Google Cloud (piste) |
| --- | --- | --- |
| Exécution du code | bac à sable de l'API Gemini (`BuiltInCodeExecutor`) | même outil via Vertex AI, ou `VertexAiCodeExecutor` / `AgentEngineSandboxCodeExecutor` (exécution gérée) |
| Données | CSV dans le prompt (petits fichiers) | BigQuery + pré-agrégation, puis résultat au modèle |
| Hébergement | `python run.py` | `adk deploy cloud_run` |

Testé de bout en bout en local le 2026-10-15 ; les variantes Google Cloud ne sont pas déployées dans ce lab.