07/04/2021 pythonDS2021 / Numpy.

ipynb sur main · siriman / pythonDS2021 · GitHub

Tableaux
NumPy propose une structure de données populaire, les tableaux
(de type array), sur lesquels il est possible d’effectuer de manière
efficace des calculs. Les tableaux sont une structure notamment
utile pour effectuer des opérations statistiques basiques ainsi que
de la génération pseudo-aléatoire de nombres.

La stucture des tableaux ressemble à celle des listes, mais ces

dernières sont moins rapides à être traitées et utilisent davantage
de mémoire. Le gain de vitesse de traitement des tableaux en
NumPy vient du fait que les données sont stockées dans des blocs
contigus de mémoire, facilitant ainsi les accès en lecture.

In [1]: import numpy as np

Création
La création d’un tableau peut s’effectuer avec la méthode array(), à
partir d’une liste, comme nous venon de le faire :

In [2]: liste = [1,2,4]

tableau = np.array(liste)
print(tableau)
type(tableau)

[1 2 4]
Out[2]: numpy.ndarray

In [3]: tableau==1

Out[3]: array([ True, False, False])

In [4]: tableau

Out[4]: array([1, 2, 4])

In [5]: tableau==2

Out[5]: array([False, True, False])

In [10]: s=np.where(tableau==tableau)

In [11]: s

Out[11]: (array([0, 1, 2]),)

In [7]: tableau==tableau

Out[7]: array([ True, True, True])

In [18]: print(tableau)
s=np.where(tableau==tableau)
https://github.com/siriman/pythonDS2021/blob/main/Numpy.ipynb 2/22
07/04/2021 pythonDS2021 / Numpy.ipynb sur main · siriman / pythonDS2021 · GitHub

print(s)

[1 2 4]
(array([0, 1, 2]),)

In [19]: print(s)

(array([0, 1, 2]),)

Si on fournit à array() une liste de listes imbriquées de même

longueur, un tableau multidimensionnel sera créé :

In [20]: liste_2 = [ [1,2,3], [4,5,6] ]

tableau_2 = np.array(liste_2)
print(tableau_2)

[[1 2 3]
[4 5 6]]

Les tableaux peuvent aussi être créés à partir de n-uplets :

In [21]: nuplet = (1, 2, 3)

tableau = np.array(nuplet)
print(tableau)

[1 2 3]

Un tableau en dimension 1 peut être changé en tableau en

dimension 2 (si possible), en modifiant son attribut shape :

In [22]: tableau = np.array([3, 2, 5, 1, 6, 5])

tableau.shape = (3,2)
print(tableau)

[[3 2]
[5 1]
[6 5]]

In [23]: tableau.ndim

Out[23]: 2

Quelques fonctions générant des array

Certaines fonctions de NumPy produisent des tableaux pré-remplis.

C’est le cas de la fonction zeros(). Quand on lui fournit une valeur
entière n, la fonction zeros() créé un tableau à une dimension, avec
n0:

In [24]: print( np.zeros(4) )

[0. 0. 0. 0.]

On peut préciser le type des zéros (par exemple int, int32, int64,
float, float32, float64, etc.), à l’aide du paramètre dtype

https://github.com/siriman/pythonDS2021/blob/main/Numpy.ipynb 3/22
07/04/2021 pythonDS2021 / Numpy.ipynb sur main · siriman / pythonDS2021 · GitHub

In [25]: print( np.zeros(4, dtype = "int") )

[0 0 0 0]

Le type des éléments d’un tableau est indiqué dans l’attribut dtype :

In [26]: x = np.zeros(4, dtype = "int")

print(x, x.dtype)

[0 0 0 0] int64

Il est par ailleurs possible de convertir le type des éléments dans un

un autre type, à l’aide de la méthode astype()

In [27]: y = x.astype("float")
print(x, x.dtype)

[0 0 0 0] int64

In [28]: print(y, y.dtype)

[0. 0. 0. 0.] float64

Quand on lui fournit un n-uplet de longueur supérieure à 1, zeros()

créé un tableau à plusieurs dimensions :

In [29]: print( np.zeros((2, 3)) )

[[0. 0. 0.]
[0. 0. 0.]]

In [30]: print( np.zeros((2, 3, 4)) )

[[[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]

[[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]]

La fonction empty() de Numpy retourne également un tableau sur le

même principe que zeros(), mais sans initialiser les valeurs à
l’intérieur.

In [31]: print( np.empty((2, 3), dtype = "int") )

[[0 0 0]
[0 0 0]]

La fonction ones() de Numpy retourne le même genre de tableaux,

avec des 1 en valeurs initialisées :

In [32]: print( np.ones((2, 3), dtype = "float") )

[[1. 1. 1.]
[1. 1. 1.]]

https://github.com/siriman/pythonDS2021/blob/main/Numpy.ipynb 4/22
07/04/2021 pythonDS2021 / Numpy.ipynb sur main · siriman / pythonDS2021 · GitHub

Pour choisir une valeur spécifique pour l’initialisation, on peut

utiliser la fonction full() de Numpy :

In [33]: print( np.full((2, 3), 10, dtype = "float"

) )

[[10. 10. 10.]

[10. 10. 10.]]

In [34]: print( np.full((2, 3), np.inf) )

[[inf inf inf]

[inf inf inf]]

La fonction eye() de Numpy créé un tableau à deux dimensions

dans laquelle tous les éléments sont initalisés à zéro, sauf ceux de
la diagonale initialisés à 1 :

In [35]: print( np.eye(2, dtype="int64") )

[[1 0]
[0 1]]

En modifiant le paramètre mot-clé k, on peut décaler la diagonale :

In [36]: print( np.eye(3, k=-1) )

[[0. 0. 0.]
[1. 0. 0.]
[0. 1. 0.]]

La fonction identity() de Numpy créé quant à elle une matrice

identité sous la forme d’un tableau :

In [37]: print( np.identity(3, dtype = "int") )

[[1 0 0]
[0 1 0]
[0 0 1]]

La fonction arange() de Numpy permet de générer une séquence

de nombres séparés par un interval fixe, le tout stocké dans un
tableau. La syntaxe est la suivante :

np.arange( start, stop, step, dtype ) avec start la valeur de départ,

stop celle d’arrivée, step le pas, l’espacement entre les nombres de
la séquence et dtype le type des nombres :

In [38]: print( np.arange(5) )

[0 1 2 3 4]

In [39]: print( np.arange(2, 5) )

[2 3 4]

( (
https://github.com/siriman/pythonDS2021/blob/main/Numpy.ipynb) ) 5/22
07/04/2021 pythonDS2021 / Numpy.ipynb sur main · siriman / pythonDS2021 · GitHub
In [40]: print( np.arange(2, 10, 2) )

[2 4 6 8]

Dimensions
Pour connaître la dimension d’un tableau, on peut afficher la valeur
de l’attribut ndim :

In [41]: print("ndim tableau : ", tableau.ndim)

ndim tableau : 2

In [42]: print("ndim tableau_2 : ", tableau_2.ndim)

ndim tableau_2 : 2

Le nombre d’éléments dans le tableau peut s’obtenir par l’attribut

size ou par la fonction size() de Numpy :

In [43]: print("size tableau : ", tableau.size)

size tableau : 6

In [44]: print("size tableau_2 : ", tableau_2.size)

size tableau_2 : 6

In [45]: print("np.size(tableau) :", np.size(tablea

u))

np.size(tableau) : 6

L’attribut shape retourne un n-uplet indiquant la longueur pour

chaque dimension du tableau :

In [46]: print("size tableau : ", tableau.shape)

size tableau : (3, 2)

In [47]: print("size tableau_2 : ", tableau_2.shape

)

size tableau_2 : (2, 3)

Extraction des éléments d’un tableau

L’accès aux éléments d’un tableau se fait de la même manière que
pour les listes. La syntaxe est la suivante :

tableau[lower:upper:step] avec lower la borne inférieur de la plage

d’indices, upper la plage supérieur, et step l’espacement entre les
valeurs.

Lorsque lower n’est pas précisé, le premier élément (indicé 0) est

considéré comme la valeur attribuée à lower. Lorsque upper n’est
pas précisé, le dernier élément est considéré comme la valeur
https://github.com/siriman/pythonDS2021/blob/main/Numpy.ipynb 6/22
07/04/2021 pythonDS2021 / Numpy.ipynb sur main · siriman / pythonDS2021 · GitHub

attribuée à upper. Lorsque step n’est pas précisé, un pas de 1 est

attribué par défaut. Reprenons rapidement quelques exemples, en
s’appuyant sur deux objets : un tableau de dimension 1, et un
second de dimension 2.

In [48]: tableau_1 = np.arange(1,13)

tableau_2 = [ [1, 2, 3], [4, 5, 6], [7, 8,
9], [10, 11, 12]]
tableau_2 = np.array(tableau_2)

In [49]: tableau_1 = np.arange(1,13)

In [50]: print(tableau_1)

[ 1 2 3 4 5 6 7 8 9 10 11 12]

In [51]: type(tableau_1)

Out[51]: numpy.ndarray

In [52]: tableau_1[5]

Out[52]: 6

In [53]: tableau_2.shape

Out[53]: (4, 3)

In [54]: tableau_2

Out[54]: array([[ 1, 2, 3],

[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])

In [55]: tableau_1[0:4]

Out[55]: array([1, 2, 3, 4])

L’accès au premier élément :

In [56]: message = "tableau_{}[0] : {} (type : {})"

print(message.format(0, tableau_1[0], type
(tableau_1[0])))

tableau_0[0] : 1 (type : <class 'numpy.int6

4'>)

In [57]: print(message.format(1, tableau_2[0], type

(tableau_2[0])))

tableau_1[0] : [1 2 3] (type : <class 'nump

y.ndarray'>)

L’accès aux éléments peut se faire en partant par la fin :

In [61]: tableau_2

Out[61]: array([[ 1 2 3]
https://github.com/siriman/pythonDS2021/blob/main/Numpy.ipynb 7/22
07/04/2021 pythonDS2021 / Numpy.ipynb sur main · siriman / pythonDS2021 · GitHub
Out[61]: array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])

In [68]: tableau_2[[0,2],2]

Out[68]: array([3, 9])

In [59]: tableau_1[-1]

Out[59]: 12

In [60]: print("tableau_1[-1] : ", tableau_1[-1])

print("tableau_2[-1] : ", tableau_2[-1])

tableau_1[-1] : 12
tableau_2[-1] : [10 11 12]

In [50]: tableau_1[2:6]

Out[50]: array([3, 4, 5, 6])

In [51]: tableau_1==1

Out[51]: array([ True, False, False, False, False, F

alse, False, False, False,
False, False, False])

In [52]: tableau_1==tableau_1

Out[52]: array([ True, True, True, True, True,

True, True, True, True,
True, True, True])

In [53]: print(np.where(tableau_1==tableau_1))

(array([ 0, 1, 2, 3, 4, 5, 6, 7, 8,
9, 10, 11]),)

Le découpage est possible :

In [54]: print("Slice Tableau 1 : \n", tableau_1[2:

4])

Slice Tableau 1 :
[3 4]

In [55]: tableau_2

Out[55]: array([[ 1, 2, 3],

[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])

In [56]: tableau_1

Out[56]: array([ 1, 2, 3, 4, 5, 6, 7, 8, 9,
10, 11, 12])

In [57]: tableau_1.shape=(4,3)

https://github.com/siriman/pythonDS2021/blob/main/Numpy.ipynb 8/22
07/04/2021 pythonDS2021 / Numpy.ipynb sur main · siriman / pythonDS2021 · GitHub

In [58]: tableau_1.shape

Out[58]: (4, 3)

In [59]: np.reshape?

In [61]: tableau_2

Out[61]: array([[ 1, 2, 3],

[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])

In [62]: tableau_2[1:3,:]

Out[62]: array([[4, 5, 6],

[7, 8, 9]])

In [63]: print("Scile Tableau 2 : \n", tableau_2[2:

4])

Scile Tableau 2 :
[[ 7 8 9]
[10 11 12]]

Pour les tableaux à deux dimensions, on peut accéder aux

éléments de la manière suivante, de manière équivalente :

In [64]: print(tableau_2[2][0])

print(tableau_2[2,0])

7
7

Pour extraire des colonnes d’un tableau à deux entrées :

In [65]: tableau_2

Out[65]: array([[ 1, 2, 3],

[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])

In [66]: tableau_2[:, [1]]

Out[66]: array([[ 2],

[ 5],
[ 8],
[11]])

In [67]: tableau_2[2:, [1,2]]

Out[67]: array([[ 8, 9],

[11, 12]])

In [68]: print("Deuxième colonne : \n", tableau_2

[:, [1]])
print("Deuxièmes et troisièmes colonnes :
\n", tableau_2[:, [0,2]])
https://github.com/siriman/pythonDS2021/blob/main/Numpy.ipynb 9/22
07/04/2021 pythonDS2021 / Numpy.ipynb sur main · siriman / pythonDS2021 · GitHub

Deuxième colonne :
[[ 2]
[ 5]
[ 8]
[11]]
Deuxièmes et troisièmes colonnes :
[[ 1 3]
[ 4 6]
[ 7 9]
[10 12]]

Extraction à l’aide de booléens

Pour extraire ou non des éléments d’un tableu, on peut utiliser des
tableaux de booléens en tant que masques. L’idée est de fournir un
tableau de booléens (un masque) de même dimension que celui
pour lequel on désire extraire des éléments sous certaines
conditions. Lorsque la valeur du booléen dans le masque vaut True,
l’élément correspondant du tableau est retourné ; sinon, il ne l’est
pas.

In [69]: tableau = np.array([0, 3, 2, 5, 1, 4])

In [70]: tableau

Out[70]: array([0, 3, 2, 5, 1, 4])

In [71]: res = tableau[[True, False, True, False, T

rue, True]]
print(res)

[0 2 1 4]

Seuls les éléments en position 1, 3, 5 et 6 on été retournés.

En pratique, le masque n’est que très rarement créé par l’utilisateur,

il est plutôt issu d’une instruction logique appliquée au tableau
d’intérêt. Par exemple, dans notre tableau, nous pouvons dans un
premier temps créer un masque de manière à identifier les
éléments pairs :

In [72]: masque = tableau % 2 != 0

In [73]: masque

Out[73]: array([False, True, False, True, True, F

alse])

In [74]: #masque = tableau % 2 == 0

print(masque)

[False True False True True False]

In [75]: print(type(masque))

<class 'numpy.ndarray'>
https://github.com/siriman/pythonDS2021/blob/main/Numpy.ipynb 10/22
07/04/2021 pythonDS2021 / Numpy.ipynb sur main · siriman / pythonDS2021 · GitHub

Une fois ce masque créé, on peut l’appliquer au tableau pour

extraire uniquement les éléments pour lesquels la valeur
correspondante dans le masque vaut True :

In [76]: print(tableau[masque])

[3 5 1]

Modification
Pour remplacer les valeurs d’un tableau, on utilise le signe égal (=) :

In [77]: tableau = np.array([ [1, 2, 3], [4, 5, 6],

[7, 8, 9], [10, 11, 12]])
tableau

Out[77]: array([[ 1, 2, 3],

[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])

In [78]: tableau[3]=10

In [79]: #tableau[0] = 10
print(tableau)

[[ 1 2 3]
[ 4 5 6]
[ 7 8 9]
[10 10 10]]

Si on fournit un scalaire lors du remplacement, la valeur sera

répétée pour tous les éléments de la dimension :

In [80]: tableau[0] = 100

print(tableau)

[[100 100 100]

[ 4 5 6]
[ 7 8 9]
[ 10 10 10]]

Idem avec un découpage :

In [81]: tableau[0:2]

Out[81]: array([[100, 100, 100],

[ 4, 5, 6]])

In [82]: tableau[0:2] = 300

print(tableau)

[[300 300 300]

[300 300 300]
[ 7 8 9]
[ 10 10 10]]

https://github.com/siriman/pythonDS2021/blob/main/Numpy.ipynb 11/22
07/04/2021 pythonDS2021 / Numpy.ipynb sur main · siriman / pythonDS2021 · GitHub

D’ailleurs, un découpage avec juste les deux points sans préciser

les paramètres de début et de fin du découpage suivi d’un signe
égal et d’un nombre remplace toutes les valeurs du tableau par ce
nombre :

In [83]: tableau[:] = 1
print(tableau)

[[1 1 1]
[1 1 1]
[1 1 1]
[1 1 1]]

Ajout d’éléments
Pour ajouter des éléments, on utilise la fonction append() de
NumPy. Il faut noter que l’appel à cette fonction ne modifie pas
l’objet auquel on ajoute les valeurs. Si on désire que les
modifications sont apportées à cet objet, il faut l’écraser :

In [84]: t_1 = np.array([1,3,5])

print("t_1 : ", t_1)
## t_1 : [1 3 5]
t_1 = np.append(t_1, 1)
print("t_1 après l'ajout : ", t_1)

t_1 : [1 3 5]
t_1 après l'ajout : [1 3 5 1]

In [85]: np.append?

In [88]: t_1 = np.array([1,3,5])

In [89]: t_1

Out[89]: array([1, 3, 5])

In [90]: t_1 = np.append(t_1,15)

In [91]: t_1.shape

Out[91]: (4,)

Pour ajouter une colonne à un tableau à deux dimensions :

In [92]: t_2 = np.array([[1,2,3], [5,6,7]])

In [93]: t_2

Out[93]: array([[1, 2, 3],

[5, 6, 7]])

In [94]: ajout_col_t_2 = np.array([[4], [8]])

In [95]: ajout_col_t_2
https://github.com/siriman/pythonDS2021/blob/main/Numpy.ipynb 12/22
07/04/2021 pythonDS2021 / Numpy.ipynb sur main · siriman / pythonDS2021 · GitHub

Out[95]: array([[4],
[8]])

In [96]: t_2 = np.append(t_2,ajout_col_t_2, axis =

1)

In [97]: t_2

Out[97]: array([[1, 2, 3, 4],

[5, 6, 7, 8]])

In [98]: t_2

Out[98]: array([[1, 2, 3, 4],

[5, 6, 7, 8]])

In [99]: x=np.array([1,2,3,4,5,6])

In [100]: t_2 = np.array([[1,2,3], [5,6,7]])

print("t_2 : \n", t_2)

ajout_col_t_2 = np.array([[4], [8]])

t_2 = np.append(t_2,ajout_col_t_2, axis =
1)
print("t_2 après ajout colonne : \n", t_2)

t_2 :
[[1 2 3]
[5 6 7]]
t_2 après ajout colonne :
[[1 2 3 4]
[5 6 7 8]]

Pour ajouter une ligne, on utilise la fonction vstack() de Numpy :

In [101]: np.vstack??

In [102]: ajout_ligne_t_2 = np.array([10, 11, 12,54

])
t_2 = np.vstack([t_2,ajout_ligne_t_2])
print("t_2 après ajout ligne : \n", t_2)

t_2 après ajout ligne :

[[ 1 2 3 4]
[ 5 6 7 8]
[10 11 12 54]]

Suppression d’éléments

Pour supprimer des éléments, on utilise la fonction delete() de

NumPy :

In [103]: print("t_1 : ", t_1)

t_1 : [ 1 3 5 15]

In [104]: np.delete(t_1, (-1))

O t[104] ([1 3 5])

https://github.com/siriman/pythonDS2021/blob/main/Numpy.ipynb 13/22
07/04/2021 pythonDS2021 / Numpy.ipynb sur main · siriman / pythonDS2021 · GitHub
Out[104]: array([1, 3, 5])

In [105]: x=np.array([1,2,3,4,5,6])

In [106]: np.delete(x, ([1,3]))

Out[106]: array([1, 3, 5, 6])

Note : pour que la suppression soit effective, on assigne le résultat

de np.delete() à l’objet.

Pour supprimer plusieurs éléments :

In [107]: print("t_1 : ", t_1)

t_1 : [ 1 3 5 15]

In [108]: t_1 = np.delete(t_1, ([0, 2]))

print(t_1)

[ 3 15]

Pour supprimer une colonne d’un tableau à deux dimensions :

In [109]: print("t_2 : ", t_2)

t_2 : [[ 1 2 3 4]
[ 5 6 7 8]
[10 11 12 54]]

In [110]: np.delete(t_2, (1), axis=1)

Out[110]: array([[ 1, 3, 4],

[ 5, 7, 8],
[10, 12, 54]])

Supprimer plusieurs colonnes :

In [111]: print("t_2 : ", t_2)

np.delete(t_2, ([0,2]), axis=1)

t_2 : [[ 1 2 3 4]
[ 5 6 7 8]
[10 11 12 54]]
Out[111]: array([[ 2, 4],
[ 6, 8],
[11, 54]])

Et pour supprimer une ligne :

In [112]: print("t_2 : ", t_2)

np.delete(t_2, (0), axis=0)

t_2 : [[ 1 2 3 4]
[ 5 6 7 8]
[10 11 12 54]]
Out[112]: array([[ 5, 6, 7, 8],
https://github.com/siriman/pythonDS2021/blob/main/Numpy.ipynb 14/22
07/04/2021 pythonDS2021 / Numpy.ipynb sur main · siriman / pythonDS2021 · GitHub

[10, 11, 12, 54]])

Supprimer plusieurs lignes :

In [113]: print("t_2 : ", t_2)

np.delete(t_2, ([0,2]), axis=0)

t_2 : [[ 1 2 3 4]
[ 5 6 7 8]
[10 11 12 54]]
Out[113]: array([[5, 6, 7, 8]])

In [114]: tableau_1 = np.array([1, 2, 3])

tableau_1

Out[114]: array([1, 2, 3])

In [115]: tableau_2 = np.array(tableau_1)

In [116]: tableau_2

Out[116]: array([1, 2, 3])

In [117]: tableau_1[1]=10000

In [118]: tableau_1

Out[118]: array([ 1, 10000, 3])

In [119]: tableau_2

Out[119]: array([1, 2, 3])

In [120]: tableau_1

Out[120]: array([ 1, 10000, 3])

In [121]: tableau_2

Out[121]: array([1, 2, 3])

In [122]: tableau_2-5

Out[122]: array([-4, -3, -2])

In [123]: tableau_1

Out[123]: array([ 1, 10000, 3])

In [ ]:

Copie de tableau

In [124]: tableau_1 = np.array([1, 2, 3])

tableau_2 = tableau_1

https://github.com/siriman/pythonDS2021/blob/main/Numpy.ipynb 15/22
07/04/2021 pythonDS2021 / Numpy.ipynb sur main · siriman / pythonDS2021 · GitHub

Modifions le premier élément de tableau_2, et observons le contenu

de tableau_2 et de tableau_1 :

In [125]: tableau_2[0] = 0
print("Tableau 1 : \n", tableau_1)

print("Tableau 2 : \n", tableau_2)

Tableau 1 :
[0 2 3]
Tableau 2 :
[0 2 3]

Comme on peut le constater, le fait d’avoir utilisé le signe égal a

simplement créé une référence et non pas une copie.

Pour effectuer une copie de tableaux, plusieurs façons existent.

Parmi elles, l’utilisation de la fonction np.array() :

In [126]: tableau_1 = np.array([1, 2, 3])

tableau_2 = np.array(tableau_1)
tableau_2[0] = 0
print("tableau_1 : ", tableau_1)
print("tableau_2 : ", tableau_2)

tableau_1 : [1 2 3]
tableau_2 : [0 2 3]

On peut également utiliser la méthode copy() :

In [127]: tableau_1 = np.array([1, 2, 3])

tableau_2 = tableau_1.copy()
tableau_2[0] = 0
print("tableau_1 : ", tableau_1)
print("tableau_2 : ", tableau_2)

tableau_1 : [1 2 3]
tableau_2 : [0 2 3]

On peut noter que lorsque l’on fait un découpement, un nouvel objet

est créé, pas une référence :

In [128]: tableau_1 = np.array([1, 2, 3, 4])

tableau_2 = tableau_1[:2]
tableau_2[0] = 0
print("tableau_1 : ", tableau_1)
print("tableau_2 : ", tableau_2)

tableau_1 : [0 2 3 4]
tableau_2 : [0 2]

Tri
La librairie NumPy fournit une fonction pour trier les tableaux :
sort().

https://github.com/siriman/pythonDS2021/blob/main/Numpy.ipynb 16/22
07/04/2021 pythonDS2021 / Numpy.ipynb sur main · siriman / pythonDS2021 · GitHub

In [129]: tableau = np.array([3, 2, 5, 1, 6, 5])

print("Tableau trié : ", np.sort(tableau))
print("Tableau : ", tableau)

Tableau trié : [1 2 3 5 5 6]
Tableau : [3 2 5 1 6 5]

Comme on peut le constater, la fonction sort() de NumPy propose

une vue : le tableau n’est pas modifié, ce qui n’est pas le cas si on
utilise la méthode sort() :

In [130]: tableau = np.array([3, 2, 5, 1, 6, 5])

tableau.sort()
print("Le tableau a été modifié : ", table
au)

Le tableau a été modifié : [1 2 3 5 5 6]

Transposition
Pour obtenir la transposée d’un tableau, on fait appel à l’attribut T. Il
faut noter que l’on obtient une vue de l’objet, que cela ne le modifie
pas.

In [131]: tableau = np.array([3, 2, 5, 1, 6, 5])

tableau.shape = (3,2)
print("Tableau : \n", tableau)
#print("Tableau transposé : \n", tableau.
T)

Tableau :
[[3 2]
[5 1]
[6 5]]

In [132]: tableau.shape

Out[132]: (3, 2)

In [133]: tableau.T

Out[133]: array([[3, 5, 6],

[2, 1, 5]])

On peut également utiliser la fonction transpose() de NumPy :

In [134]: print(np.transpose(tableau))

[[3 5 6]
[2 1 5]]

Attention, si on assigne un nom à la transposée, que ce soit en

utilisant l’attribut T ou la méthode np.transpose(), cela créé une
référence, pas une copie d’élément…

In [135]: tableau_transpose = np.transpose(tableau)

tableau_transpose[0,0] = 99
i t("t bl \ " t bl
https://github.com/siriman/pythonDS2021/blob/main/Numpy.ipynb
) 17/22
07/04/2021 pythonDS2021 / Numpy.ipynb sur main · siriman / pythonDS2021 · GitHub
print("tableau : \n", tableau)
print("tableau_transpose : \n", tableau_tr
anspose)

tableau :
[[99 2]
[ 5 1]
[ 6 5]]
tableau_transpose :
[[99 5 6]
[ 2 1 5]]

Pour savoir si un tableau est une vue ou non, on peut afficher

l’attribut base, qui retourne None si ce n’est pas le cas :

In [136]: print("tableau : ", tableau.base)

print("tableau_transpose : ", tableau_tran
spose.base)

tableau : None
tableau_transpose : [[99 2]
[ 5 1]
[ 6 5]]

Opérations sur les tableaux

Il est possible d’utiliser des opérateurs sur les tableaux. Leur effet
nécessite quelques explications.

Opérateurs + et -

Lorsque l’opérateur + (-) est utilisé entre deux tableaux de même

dimension, une addition (soustraction) terme à terme est effectuée :

In [137]: t_1 = np.array([1, 2, 3, 4])

t_2 = np.array([5, 6, 7, 8])
t_3 = np.array([[1, 2, 3, 4], [5, 6, 7, 8
], [9, 10, 11, 12]])
t_4 = np.array([[13, 14, 15, 16], [17, 18,
19, 20], [21, 22, 23, 24]])
t_1 + t_2
t_3 + t_4
t_1 - t_2

Out[137]: array([-4, -4, -4, -4])

Lorsque l’opérateur + (-) est utilisé entre un scalaire et un tableau,

le scalaire est ajouté (soustrait) à tous les éléments du tableau :

In [138]: print("t_1 + 3 : \n", t_1 + 3)

print("t_1 + 3. : \n", t_1 + 3.)
print("t_3 + 3 : \n", t_3 + 3)
print("t_3 - 3 : \n", t_3 - 3)

t_1 + 3 :
[4 5 6 7]
t_1 + 3. :
[4. 5. 6. 7.]
https://github.com/siriman/pythonDS2021/blob/main/Numpy.ipynb 18/22