Numpy Matplotlib

Python

Option « Programmation en Python »

IP[y]:
numpy : librairie pour le calcul
IPython scientifique


 numpy ?

▶ Le module numpy est l’outil de base utilisé dans tous calculs scientifiques et donc
numériques en Python
▶ numpy fournit en particulier des objets de type vecteurs, matrices et plus
généralement tableaux à n dimensions
▶ numpy facilite et optimise† les opérations de stockage et de manipulation des
données numériques notamment lorsque la taille des tableaux devient
importante → array oriented computing

† les principales fonctions de numpy sont implémentées en C et en

Fortran

numpy : librairie pour le calcul scientifique 1

 Installation & importation de numpy

▶ Installation via pip

 pip install numpy

▶ Convention d’importation

In [1]: import numpy as np

numpy : librairie pour le calcul scientifique 2

 Installation & importation de numpy

▶ Installation via pip

 pip install numpy

▶ Convention d’importation

In [1]: import numpy as np

numpy : librairie pour le calcul scientifique 2

 Documentation numpy

▶ Documentation de référence du module [Link]

▶ Aide interactive

In [1]: [Link]?
1 Docstring:
2 array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0)
3
4 Create an array.
5 ...

In [2]: [Link]("create array")

1 Search results for 'create array'
2 ---------------------------------
3 [Link]
4 Create an array.
5 [Link]
6 Create a memory-map to an array stored in a *binary* file on disk.

numpy : librairie pour le calcul scientifique 3

 Documentation numpy

▶ Documentation de référence du module [Link]

▶ Aide interactive

In [1]: [Link]?
1 Docstring:
2 array(object, dtype=None, copy=True, order=None, subok=False, ndmin=0)
3
4 Create an array.
5 ...

In [2]: [Link]("create array")

1 Search results for 'create array'
2 ---------------------------------
3 [Link]
4 Create an array.
5 [Link]
6 Create a memory-map to an array stored in a *binary* file on disk.

numpy : librairie pour le calcul scientifique 3

 Création de vecteurs, matrices
▶ À partir d’une liste de valeurs
▶ Vecteur
In [2]: v = [Link]([0, 1, 2, 3])
In [3]: v
Out[3]: array([0, 1, 2, 3])

▶ Matrice 2×2
In [4]: M = [Link]([[0, 1], [2, 3]])
In [5]: M
Out[5]:
array([[0, 1],
[2, 3]])

In [6]: type(v), type(M)

Out[6]: ([Link], [Link])

In [7]: [Link], [Link]

Out[7]: (1, 2)

In [8]: [Link], [Link]

Out[8]: ((4,), (2, 2))

numpy : librairie pour le calcul scientifique 4

 Création de vecteurs, matrices
▶ À partir d’une liste de valeurs
▶ Vecteur
In [2]: v = [Link]([0, 1, 2, 3])
In [3]: v
Out[3]: array([0, 1, 2, 3])

▶ Matrice 2×2
In [4]: M = [Link]([[0, 1], [2, 3]])
In [5]: M
Out[5]:
array([[0, 1],
[2, 3]])

In [6]: type(v), type(M)

Out[6]: ([Link], [Link])

In [7]: [Link], [Link]

Out[7]: (1, 2)

In [8]: [Link], [Link]

Out[8]: ((4,), (2, 2))

numpy : librairie pour le calcul scientifique 4

 Création de vecteurs, matrices
▶ À partir d’une liste de valeurs
▶ Vecteur
In [2]: v = [Link]([0, 1, 2, 3])
In [3]: v
Out[3]: array([0, 1, 2, 3])

▶ Matrice 2×2
In [4]: M = [Link]([[0, 1], [2, 3]])
In [5]: M
Out[5]:
array([[0, 1],
[2, 3]])

In [6]: type(v), type(M)

Out[6]: ([Link], [Link])

In [7]: [Link], [Link]

Out[7]: (1, 2)

In [8]: [Link], [Link]

Out[8]: ((4,), (2, 2))

numpy : librairie pour le calcul scientifique 4

 Pourquoi numpy ?

▶ Les objets de type [Link] ≡ à une liste Python (ou liste de listes)
▶ Pourquoi ne pas simplement utiliser les listes Python pour les calculs au
lieu de créer un nouveau type de tableau ?

numpy : librairie pour le calcul scientifique 5

 Pourquoi numpy ?

Il existe plusieurs (très bonnes) raisons à cela:

▶ Les listes Python sont très générales (on parle également d’objet de haut
niveau). Elles peuvent contenir n’importe quel objet → typage dynamique.
Elles ne supportent pas les opérations mathématiques.
▶ Les tableaux ou array de numpy sont statiquement typées et homogènes†
▶ Le type des éléments est déterminé lorsque le tableau est créé → plus de typage
dynamique
▶ De même la taille du tableau est fixée à la création → stockage en mémoire
optimisée
▶ En raison du typage statique, les fonctions mathématiques telles que la
multiplication et l’addition de matrices peuvent être mises en œuvre via un
langage compilé (C et Fortran)

† pour plus de détails, cf. discussion 

numpy : librairie pour le calcul scientifique 6

 Pourquoi numpy ?

Il existe plusieurs (très bonnes) raisons à cela:

▶ Les listes Python sont très générales (on parle également d’objet de haut
niveau). Elles peuvent contenir n’importe quel objet → typage dynamique.
Elles ne supportent pas les opérations mathématiques.
▶ Les tableaux ou array de numpy sont statiquement typées et homogènes†
▶ Le type des éléments est déterminé lorsque le tableau est créé → plus de typage
dynamique
▶ De même la taille du tableau est fixée à la création → stockage en mémoire
optimisée
▶ En raison du typage statique, les fonctions mathématiques telles que la
multiplication et l’addition de matrices peuvent être mises en œuvre via un
langage compilé (C et Fortran)

† pour plus de détails, cf. discussion 

numpy : librairie pour le calcul scientifique 6

 Pourquoi numpy ?

Il existe plusieurs (très bonnes) raisons à cela:

▶ Les listes Python sont très générales (on parle également d’objet de haut
niveau). Elles peuvent contenir n’importe quel objet → typage dynamique.
Elles ne supportent pas les opérations mathématiques.
▶ Les tableaux ou array de numpy sont statiquement typées et homogènes†
▶ Le type des éléments est déterminé lorsque le tableau est créé → plus de typage
dynamique
▶ De même la taille du tableau est fixée à la création → stockage en mémoire
optimisée
▶ En raison du typage statique, les fonctions mathématiques telles que la
multiplication et l’addition de matrices peuvent être mises en œuvre via un
langage compilé (C et Fortran)

† pour plus de détails, cf. discussion 

numpy : librairie pour le calcul scientifique 6

 Pourquoi numpy ?

Il existe plusieurs (très bonnes) raisons à cela:

▶ Les listes Python sont très générales (on parle également d’objet de haut
niveau). Elles peuvent contenir n’importe quel objet → typage dynamique.
Elles ne supportent pas les opérations mathématiques.
▶ Les tableaux ou array de numpy sont statiquement typées et homogènes†
▶ Le type des éléments est déterminé lorsque le tableau est créé → plus de typage
dynamique
▶ De même la taille du tableau est fixée à la création → stockage en mémoire
optimisée
▶ En raison du typage statique, les fonctions mathématiques telles que la
multiplication et l’addition de matrices peuvent être mises en œuvre via un
langage compilé (C et Fortran)

† pour plus de détails, cf. discussion 

numpy : librairie pour le calcul scientifique 6

 Pourquoi numpy ?

Il existe plusieurs (très bonnes) raisons à cela:

▶ Les listes Python sont très générales (on parle également d’objet de haut
niveau). Elles peuvent contenir n’importe quel objet → typage dynamique.
Elles ne supportent pas les opérations mathématiques.
▶ Les tableaux ou array de numpy sont statiquement typées et homogènes†
▶ Le type des éléments est déterminé lorsque le tableau est créé → plus de typage
dynamique
▶ De même la taille du tableau est fixée à la création → stockage en mémoire
optimisée
▶ En raison du typage statique, les fonctions mathématiques telles que la
multiplication et l’addition de matrices peuvent être mises en œuvre via un
langage compilé (C et Fortran)

† pour plus de détails, cf. discussion 

numpy : librairie pour le calcul scientifique 6

 Pourquoi numpy ?

▶ Démonstration

In [1]: %timeit [i**2 for i in range(1000)]

1000 loops, best of 3: 403 us per loop

In [3]: a = [Link](1000)
In [4]: %timeit a**2
100000 loops, best of 3: 12.7 us per loop

numpy : librairie pour le calcul scientifique 7

 Pourquoi numpy ?

▶ Démonstration

In [1]: %timeit [i**2 for i in range(1000)]

1000 loops, best of 3: 403 us per loop

In [3]: a = [Link](1000)
In [4]: %timeit a**2
100000 loops, best of 3: 12.7 us per loop

numpy : librairie pour le calcul scientifique 7

 Création de tableau (suite)
▶ Le type de données numériques est défini à la création du tableau
▶ Vecteur d’entiers
In [1]: v = [Link]([0, 1, 2, 3])
In [2]: v
Out[2]: array([0, 1, 2, 3])

In [3]: [Link]
Out[3]: dtype('int64')

▶ Vecteur de nombres flottants

In [1]: v = [Link]([0., 1., 2., 3.])
In [2]: [Link]
Out[2]: dtype('float64')

▶ ou en forçant le type de données (float, int, bool, 16, 32, 64 bits)

In [1]: v = [Link]([0, 1, 2, 3], dtype=[Link])

In [2]: [Link]
Out[2]: dtype('float64')

numpy : librairie pour le calcul scientifique 8

 Création de tableau (suite)
▶ Le type de données numériques est défini à la création du tableau
▶ Vecteur d’entiers
In [1]: v = [Link]([0, 1, 2, 3])
In [2]: v
Out[2]: array([0, 1, 2, 3])

In [3]: [Link]
Out[3]: dtype('int64')

▶ Vecteur de nombres flottants

In [1]: v = [Link]([0., 1., 2., 3.])
In [2]: [Link]
Out[2]: dtype('float64')

▶ ou en forçant le type de données (float, int, bool, 16, 32, 64 bits)

In [1]: v = [Link]([0, 1, 2, 3], dtype=[Link])

In [2]: [Link]
Out[2]: dtype('float64')

numpy : librairie pour le calcul scientifique 8

 Création de tableau (suite)
▶ Le type de données numériques est défini à la création du tableau
▶ Vecteur d’entiers
In [1]: v = [Link]([0, 1, 2, 3])
In [2]: v
Out[2]: array([0, 1, 2, 3])

In [3]: [Link]
Out[3]: dtype('int64')

▶ Vecteur de nombres flottants

In [1]: v = [Link]([0., 1., 2., 3.])
In [2]: [Link]
Out[2]: dtype('float64')

▶ ou en forçant le type de données (float, int, bool, 16, 32, 64 bits)

In [1]: v = [Link]([0, 1, 2, 3], dtype=[Link])

In [2]: [Link]
Out[2]: dtype('float64')

numpy : librairie pour le calcul scientifique 8

 Création de tableau (suite)
▶ Le type de données numériques est défini à la création du tableau
▶ Vecteur d’entiers
In [1]: v = [Link]([0, 1, 2, 3])
In [2]: v
Out[2]: array([0, 1, 2, 3])

In [3]: [Link]
Out[3]: dtype('int64')

▶ Vecteur de nombres flottants

In [1]: v = [Link]([0., 1., 2., 3.])
In [2]: [Link]
Out[2]: dtype('float64')

▶ ou en forçant le type de données (float, int, bool, 16, 32, 64 bits)

In [1]: v = [Link]([0, 1, 2, 3], dtype=[Link])

In [2]: [Link]
Out[2]: dtype('float64')

numpy : librairie pour le calcul scientifique 8

 Création de tableau (suite)

Dans la pratique, les valeurs d’un tableau sont rarement saisies une par une
▶ Fonction arange ≡ range

In [1]: [Link](10)
Out[1]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

In [2]: [Link](0, 10, step=2)

Out[2]: array([0, 2, 4, 6, 8])

▶ Fonctions linspace/logspace

In [1]: [Link](0, 10, num=5)

Out[1: array([ 0. , 2.5, 5. , 7.5, 10. ])

In [2]: [Link](0, 10, num=5)

Out[2]:
array([ 1.00000000e+00, 3.16227766e+02, 1.00000000e+05,
3.16227766e+07, 1.00000000e+10])

numpy : librairie pour le calcul scientifique 9

 Création de tableau (suite)

Dans la pratique, les valeurs d’un tableau sont rarement saisies une par une
▶ Fonction arange ≡ range

In [1]: [Link](10)
Out[1]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

In [2]: [Link](0, 10, step=2)

Out[2]: array([0, 2, 4, 6, 8])

▶ Fonctions linspace/logspace

In [1]: [Link](0, 10, num=5)

Out[1: array([ 0. , 2.5, 5. , 7.5, 10. ])

In [2]: [Link](0, 10, num=5)

Out[2]:
array([ 1.00000000e+00, 3.16227766e+02, 1.00000000e+05,
3.16227766e+07, 1.00000000e+10])

numpy : librairie pour le calcul scientifique 9

 Création de tableau (suite)

▶ Vecteurs, matrices avec valeurs par défaut

In [1]: [Link](10)
Out[1]: array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

In [2]: [Link](shape=(3,3))
Out[2]:
array([[ 1., 1., 1.],
[ 1., 1., 1.],
[ 1., 1., 1.]])

In [3]: [Link]((3,3), 666, dtype=[Link])

Out[3]:
array([[666, 666, 666],
[666, 666, 666],
[666, 666, 666]])

In [4]: [Link]((3,3))
Out[4]:
array([[ 1., 0., 0.],
[ 0., 1., 0.],
[ 0., 0., 1.]])

numpy : librairie pour le calcul scientifique 10

 Création de tableau (suite)

▶ Générateurs aléatoires rand/randint/randn

In [1]: [Link](3)
Out[1]: array([ 0.21401051, 0.19514481, 0.92647823])

In [2]: [Link](0, 10, 3)

Out[2]: array([8, 8, 3])

In [3]: [Link](3)
Out[3]: array([-0.4829445 , -1.05459848, -1.30539831])

 Un générateur aléatoire n’est par définition pas aléatoire dans une

machine déterministe qu’est un ordinateur !

In [1]: [Link](1234)

numpy : librairie pour le calcul scientifique 11

 Création de tableau (suite)

▶ Générateurs aléatoires rand/randint/randn

In [1]: [Link](3)
Out[1]: array([ 0.21401051, 0.19514481, 0.92647823])

In [2]: [Link](0, 10, 3)

Out[2]: array([8, 8, 3])

In [3]: [Link](3)
Out[3]: array([-0.4829445 , -1.05459848, -1.30539831])

 Un générateur aléatoire n’est par définition pas aléatoire dans une

machine déterministe qu’est un ordinateur !

In [1]: [Link](1234)

numpy : librairie pour le calcul scientifique 11

 Création de tableau : intermède graphique

30

2
25
In [1]: import numpy as np
In [2]: import [Link] as plt
1
In [3]: %matplotlib 20

In [4]: img = [Link](30, 30) 0

15
In [5]: [Link](img, cmap=[Link],
extent=(0,30,0,30)) −1
In [6]: [Link]() 10

−2
5

−3
0 . .
0 5 10 15 20 25 30

numpy : librairie pour le calcul scientifique 12

 Parcours par indice

▶ L’utilisation de l’opérateur [] est similaire à celle des listes

In [1]: x = [Link](10, size=5)

In [2]: x
Out[2]: array([8, 0, 1, 6, 0])

In [3]: x[0], x[3], x[-1]

Out[3]: (8, 6, 0)

▶ Pour les tableaux à n dimensions

In [1]: x = [Link](10, size=(3, 4))

In [2]: x
Out[2]:
array([[8, 3, 6, 4],
[9, 8, 2, 0],
[0, 5, 5, 4]])

In [3]: x[0, 0], x[2, 0], x[2, -1]

Out[3]: (8, 0, 4)

numpy : librairie pour le calcul scientifique 13

 Parcours par indice

▶ L’utilisation de l’opérateur [] est similaire à celle des listes

In [1]: x = [Link](10, size=5)

In [2]: x
Out[2]: array([8, 0, 1, 6, 0])

In [3]: x[0], x[3], x[-1]

Out[3]: (8, 6, 0)

▶ Pour les tableaux à n dimensions

In [1]: x = [Link](10, size=(3, 4))

In [2]: x
Out[2]:
array([[8, 3, 6, 4],
[9, 8, 2, 0],
[0, 5, 5, 4]])

In [3]: x[0, 0], x[2, 0], x[2, -1]

Out[3]: (8, 0, 4)

numpy : librairie pour le calcul scientifique 13

 Parcours par indice

▶ Comme pour les listes qui sont des objets mutables, il est possible d’assigner
une valeur en spécifiant l’indice

In [4]: x[0, 0] = 12
In [5]: x
Out[5]:
array([[12, 3, 6, 4],
[ 9, 8, 2, 0],
[ 0, 5, 5, 4]])

 Le type de données numériques stockées est fixé à la création du tableau

In [6]: x[0, 0] = 3.1415
In [7]: x
Out[7]:
array([[3, 3, 6, 4],
[9, 8, 2, 0],
[0, 5, 5, 4]])

numpy : librairie pour le calcul scientifique 14

 Parcours par indice

▶ Comme pour les listes qui sont des objets mutables, il est possible d’assigner
une valeur en spécifiant l’indice

In [4]: x[0, 0] = 12
In [5]: x
Out[5]:
array([[12, 3, 6, 4],
[ 9, 8, 2, 0],
[ 0, 5, 5, 4]])

 Le type de données numériques stockées est fixé à la création du tableau

In [6]: x[0, 0] = 3.1415
In [7]: x
Out[7]:
array([[3, 3, 6, 4],
[9, 8, 2, 0],
[0, 5, 5, 4]])

numpy : librairie pour le calcul scientifique 14

 Sélection par indice

▶ Comme pour les listes, il est possible d’utiliser la syntaxe [start:stop:step]

pour sélectionner un sous espace vectoriel

In [1]: x
Out[1]:
array([[3, 3, 6, 4],
[9, 8, 2, 0],
[0, 5, 5, 4]])

▶ Sélection d’une ligne

In [2]: x[0]
Out[2]: array([[3, 3, 6, 4])

▶ Sélection d’une colonne

In [2]: x[:, 0], x[:, 1]

Out[2]: (array([3, 9, 0]), array([3, 8, 5]))

numpy : librairie pour le calcul scientifique 15

 Sélection par indice

▶ Comme pour les listes, il est possible d’utiliser la syntaxe [start:stop:step]

pour sélectionner un sous espace vectoriel

In [1]: x
Out[1]:
array([[3, 3, 6, 4],
[9, 8, 2, 0],
[0, 5, 5, 4]])

▶ Sélection d’une ligne

In [2]: x[0]
Out[2]: array([[3, 3, 6, 4])

▶ Sélection d’une colonne

In [2]: x[:, 0], x[:, 1]

Out[2]: (array([3, 9, 0]), array([3, 8, 5]))

numpy : librairie pour le calcul scientifique 15

 Sélection par indice
▶ À la différence des listes, les sous espaces vectoriels sélectionnés ne sont pas des
copies mais une vue réduite de la matrice globale
▶ Toute modification opérée sur le sous espace vectoriel est reportée dans la
matrice globale

In [1]: x
Out[1]:
array([[3, 3, 6, 4],
[9, 8, 2, 0],
[0, 5, 5, 4]])

In [2]: xx = x[:2, :2]

In [3]: xx
Out[3]:
array([[3, 3],
[9, 8]])

In [4]: xx[0, 0] = 0
In [5]: x
Out[5]:
array([[0, 3, 6, 4],
[9, 8, 2, 0],
[0, 5, 5, 4]])

numpy : librairie pour le calcul scientifique 16

 Sélection par indice
▶ À la différence des listes, les sous espaces vectoriels sélectionnés ne sont pas des
copies mais une vue réduite de la matrice globale
▶ Toute modification opérée sur le sous espace vectoriel est reportée dans la
matrice globale

In [1]: x
Out[1]:
array([[3, 3, 6, 4],
[9, 8, 2, 0],
[0, 5, 5, 4]])

In [2]: xx = x[:2, :2]

In [3]: xx
Out[3]:
array([[3, 3],
[9, 8]])

In [4]: xx[0, 0] = 0
In [5]: x
Out[5]:
array([[0, 3, 6, 4],
[9, 8, 2, 0],
[0, 5, 5, 4]])

numpy : librairie pour le calcul scientifique 16

 Sélection par indice

▶ Pour réaliser une copie d’un sous espace vectoriel, on utilisera la méthode
copy()

In [2]: xx = x[:2, :2].copy()

In [3]: xx
Out[3]:
array([[0, 3],
[9, 8]])

In [4]: xx[0, 0] = 666

In [5]: x
Out[5]:
array([[0, 3, 6, 4],
[9, 8, 2, 0],
[0, 5, 5, 4]])

numpy : librairie pour le calcul scientifique 17

 Opérations mathématiques

▶ Grâce à l’homogénéité des tableaux de numpy, il est possible de réaliser des

opérations mathématiques ̸= listes Python

In [1]: l = [1, 2, 3, 4]
In [2]: l+5
---------------------------------------------------------------------------
TypeError Traceback (most recent call last)
<ipython-input-53-1cb32c2d071d> in <module>()
----> 1 l+5

TypeError: can only concatenate list (not "int") to list

numpy : librairie pour le calcul scientifique 18

 Opérations mathématiques

▶ Grâce à l’homogénéité des tableaux de numpy, il est possible de réaliser des

opérations mathématiques
▶ Opérateurs binaires

In [1]: x = [Link](4)
In [2]: x
Out[2]: array([0, 1, 2, 3])

In [3]: x+5
Out[3]: array([5, 6, 7, 8])

In [4]: x-5
Out[4]: array([-5, -4, -3, -2])

In [5]: x*5
Out[5]: array([ 0, 5, 10, 15])

In [5]: x/5
Out[5]: array([ 0. , 0.2, 0.4, 0.6]))

numpy : librairie pour le calcul scientifique 19

 Opérations mathématiques

▶ Grâce à l’homogénéité des tableaux de numpy, il est possible de réaliser des

opérations mathématiques
▶ Opérateurs unaires

In [1]: x = [Link](4)

In [2]: -x
Out[2]: array([0, -1, -2, -3])

In [3]: x**2
Out[3]: array([0, 1, 4, 9])

In [4]: x%2
Out[4]: array([0, 1, 0, 1])

numpy : librairie pour le calcul scientifique 20

 Opérations mathématiques

▶ En plus des opérateurs usuels, numpy fournit un ensemble de fonctions dites

universelles (ou ufuncs) opérant sur des tableaux
▶ Fonctions trigonométriques

In [1]: theta = [Link](0, [Link], 3)

In [2]: [Link](theta)
Out[2]: array([ 1.00000000e+00, 6.12323400e-17, -1.00000000e+00])

In [3]: [Link](theta)
Out[3]: array([ 0.00000000e+00, 1.00000000e+00, 1.22464680e-16])

In [4]: [Link](theta)
Out[4]: array([ 0.00000000e+00, 1.63312394e+16, -1.22464680e-16])

▶ Autres fonctions : [Link](), [Link](), [Link](), np.log10(),...

numpy : librairie pour le calcul scientifique 21

 Opérations mathématiques

▶ En plus des opérateurs usuels, numpy fournit un ensemble de fonctions dites

universelles (ou ufuncs) opérant sur des tableaux
▶ Fonctions trigonométriques

In [1]: theta = [Link](0, [Link], 3)

In [2]: [Link](theta)
Out[2]: array([ 1.00000000e+00, 6.12323400e-17, -1.00000000e+00])

In [3]: [Link](theta)
Out[3]: array([ 0.00000000e+00, 1.00000000e+00, 1.22464680e-16])

In [4]: [Link](theta)
Out[4]: array([ 0.00000000e+00, 1.63312394e+16, -1.22464680e-16])

▶ Autres fonctions : [Link](), [Link](), [Link](), np.log10(),...

numpy : librairie pour le calcul scientifique 21

 Opérations mathématiques

▶ En plus des opérateurs usuels, numpy fournit un ensemble de fonctions dites

universelles (ou ufuncs) opérant sur des tableaux
▶ Fonctions trigonométriques

In [1]: theta = [Link](0, [Link], 3)

In [2]: [Link](theta)
Out[2]: array([ 1.00000000e+00, 6.12323400e-17, -1.00000000e+00])

In [3]: [Link](theta)
Out[3]: array([ 0.00000000e+00, 1.00000000e+00, 1.22464680e-16])

In [4]: [Link](theta)
Out[4]: array([ 0.00000000e+00, 1.63312394e+16, -1.22464680e-16])

▶ Autres fonctions : [Link](), [Link](), [Link](), np.log10(),...

numpy : librairie pour le calcul scientifique 21

 Opérations statistiques

▶ Somme des éléments d’un tableau

In [1]: x = [Link](100)

In [2]: sum(x)
Out[2]: 50.394482884150314

In [3]: [Link](x)
Out[3]: 50.394482884150314

▶ Toutefois, la formulation [Link]() propre à numpy présente l’avantage d’être

nettement plus rapide (code compilé) en plus d’être plus générale

In [4]: big_array = [Link](1000000)

In [5]: %timeit sum(big_array)

10 loops, best of 3: 82.9 ms per loop

In [6]: %timeit [Link](big_array)

1000 loops, best of 3: 467 µs per loop

numpy : librairie pour le calcul scientifique 22

 Opérations statistiques

▶ Somme des éléments d’un tableau

In [1]: x = [Link](100)

In [2]: sum(x)
Out[2]: 50.394482884150314

In [3]: [Link](x)
Out[3]: 50.394482884150314

▶ Toutefois, la formulation [Link]() propre à numpy présente l’avantage d’être

nettement plus rapide (code compilé) en plus d’être plus générale

In [4]: big_array = [Link](1000000)

In [5]: %timeit sum(big_array)

10 loops, best of 3: 82.9 ms per loop

In [6]: %timeit [Link](big_array)

1000 loops, best of 3: 467 µs per loop

numpy : librairie pour le calcul scientifique 22

 Opérations statistiques
▶ Somme des éléments d’un tableau : méthode sum
In [1]: M = [Link](10, (3, 4))
In [2]: M
Out[2]:
array([[7, 0, 8, 4],
[4, 7, 0, 5],
[7, 0, 7, 6]])

In [3]: [Link](M), [Link]()

Out[3]: (55, 55)

▶ Somme colonne par colonne

In [4]: [Link](axis=0)
Out[4]: array([18, 7, 15, 15])

▶ Somme ligne par ligne

In [5]: [Link](axis=1)
Out[5]: array([19, 16, 20])

numpy : librairie pour le calcul scientifique 23

 Opérations statistiques
▶ Somme des éléments d’un tableau : méthode sum
In [1]: M = [Link](10, (3, 4))
In [2]: M
Out[2]:
array([[7, 0, 8, 4],
[4, 7, 0, 5],
[7, 0, 7, 6]])

In [3]: [Link](M), [Link]()

Out[3]: (55, 55)

▶ Somme colonne par colonne

In [4]: [Link](axis=0)
Out[4]: array([18, 7, 15, 15])

▶ Somme ligne par ligne

In [5]: [Link](axis=1)
Out[5]: array([19, 16, 20])

numpy : librairie pour le calcul scientifique 23

 Opérations statistiques
▶ Somme des éléments d’un tableau : méthode sum
In [1]: M = [Link](10, (3, 4))
In [2]: M
Out[2]:
array([[7, 0, 8, 4],
[4, 7, 0, 5],
[7, 0, 7, 6]])

In [3]: [Link](M), [Link]()

Out[3]: (55, 55)

▶ Somme colonne par colonne

In [4]: [Link](axis=0)
Out[4]: array([18, 7, 15, 15])

▶ Somme ligne par ligne

In [5]: [Link](axis=1)
Out[5]: array([19, 16, 20])

numpy : librairie pour le calcul scientifique 23

 Opérations statistiques

Fonction Description
[Link] Somme des éléments
[Link] Produit des éléments
[Link] Valeur moyenne
[Link] Standard déviation
[Link] Variance
[Link] Valeur minimale
[Link] Valeur maximale
[Link] Indice de la valeur minimale
[Link] Indice de la valeur maximale
[Link] Valeur médiane
[Link] Quantiles

numpy : librairie pour le calcul scientifique 24

 Opérations algébriques

▶ Multiplication de matrices

In [1]: M = [Link](shape=(3,3))
In [2]: M
Out[2]:
array([[ 1., 1., 1.],
[ 1., 1., 1.],
[ 1., 1., 1.]])

In [3]: M*M
Out[3]:
array([[ 1., 1., 1.],
[ 1., 1., 1.],
[ 1., 1., 1.]])

In [4]: [Link](M)
Out[4]:
array([[ 3., 3., 3.],
[ 3., 3., 3.],
[ 3., 3., 3.]])

numpy : librairie pour le calcul scientifique 25

 Opérations algébriques

▶ Transposition de matrices

In [1]: M = [Link](5, size=(3,3))

In [2]: M
Out[2]:
array([[4, 1, 0],
[2, 3, 0],
[1, 0, 2]])

In [3]: [Link]()
Out[3]:
array([[4, 2, 1],
[1, 3, 0],
[0, 0, 2]])

numpy : librairie pour le calcul scientifique 26

 Opérations algébriques

▶ Conversion d’un vecteur vers une matrice

In [1]: v = [Link](4)
In [2]: v
Out[2]: array([0, 1, 2, 3])

In [3]: v[:, [Link]]

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

numpy : librairie pour le calcul scientifique 27

 Opérations algébriques : intermède graphique

z = f (x , y ) = sin1 0 x + cos(x · y ) · cos x

( [ ])
10 [ ] [ ] [ ]
y0
= sin x0 · · · + cos x0 ··· · . · cos x0 ···
..

In [1]: import numpy as np

In [2]: import [Link] as plt
In [3]: %matplotlib

In [4]: x = [Link](0, 5, 500)

In [5]: y = [Link](0, 5, 500)[:, [Link]]
In [6]: z = [Link](x)**10 + [Link](x*y)*[Link](x)
In [7]: [Link], [Link], [Link]
Out[7]: ((500,), (500, 1), (500, 500))

In [8]: [Link](z, extent=[0, 5, 0, 5],

cmap="viridis")
In [9]: [Link]();

numpy : librairie pour le calcul scientifique 28

 Opérations algébriques : intermède graphique

z = f (x , y ) = sin1 0 x + cos(x · y ) · cos x

( [ ])
10 [ ] [ ] [ ]
y0
= sin x0 · · · + cos x0 ··· · . · cos x0 ···
..

In [1]: import numpy as np 5

1.00
In [2]: import [Link] as plt
In [3]: %matplotlib 0.75
4
0.50
In [4]: x = [Link](0, 5, 500)
In [5]: y = [Link](0, 5, 500)[:, [Link]] 0.25
3
In [6]: z = [Link](x)**10 + [Link](x*y)*[Link](x)
In [7]: [Link], [Link], [Link] 0.00
Out[7]: ((500,), (500, 1), (500, 500)) 2
−0.25

In [8]: [Link](z, extent=[0, 5, 0, 5],

−0.50
cmap="viridis") 1
In [9]: [Link](); −0.75

0 . .
0 1 2 3 4 5

.
numpy : librairie pour le calcul scientifique 28
 Opérations logiques

▶ En plus des opérateurs et fonctions mathématiques, numpy fournit également les

opérateurs de comparaison opérant sur les éléments d’un tableau

In [1]: x = [Link]([1, 2, 3, 4, 5])

In [2]: x < 3
Out[2]: array([ True, True, False, False, False], dtype=bool)

In [3]: x == 3
Out[3]: array([False, False, True, False, False], dtype=bool)

In [4]: (x * 2) == (x**2)
Out[4]: array([False, True, False, False, False], dtype=bool)

numpy : librairie pour le calcul scientifique 29

 Opérations logiques

▶ numpy fournit également les méthodes any et all

In [5]: [Link](x > 10)

Out[5]: False

In [6]: [Link](x < 10)

Out[6]: True

numpy : librairie pour le calcul scientifique 30

 Opérations logiques

▶ Il est finalement possible de dénombrer le nombre de valeurs d’un tableau

satisfaisant à une ou des conditions

In [7]: [Link](x > 3)

Out[7]: 2

In [8]: [Link]((x > 3) & (x < 5))

Out[8]: 1

numpy : librairie pour le calcul scientifique 31

 Sélection par masque

▶ Les opérations de comparaison sur des tableaux retournent un tableau de

booléens qui peut servir à la sélection d’éléments du tableau

In [1]: x = [Link](0, 10, 10)

In [2]: x
Out[2]: array([8, 9, 6, 2, 4, 5, 9, 4, 0, 7])

In [3]: x < 5
Out[3]: array([False, False, False, True, True, False, False, True, True, False], dtype=bool)

In [4]: x[x < 5]

Out[4]: array([2, 4, 4, 0])

numpy : librairie pour le calcul scientifique 32

 Sélection par masque : intermède graphique

In [1]: import numpy as np 1.0

In [2]: import [Link] as plt

In [3]: %matplotlib
0.8

In [4]: x = [Link](1000)
In [5]: y = [Link](1000)
0.6
In [6]: [Link](x, y, alpha=0.3)
In [7]: [Link]("scaled"); [Link]([0, 1, 0, 1])
0.4
In [8]: mask = (x*y > 0.5)
In [9]: [Link](x[mask], y[mask], alpha=0.6,
edgecolors="orange", c="none", 0.2
s=200)

0.0
0.0 0.2 0.4 0.6 0.8 1.0

numpy : librairie pour le calcul scientifique 33

 Entrées/sorties de numpy

▶ numpy permet de charger un fichier texte dans un objet de type ndarray

In [1]: cat /tmp/[Link]

# id OPP MQ1 MA
21606456 9.90 12.32 16.00
21402354 11.20 10.50 12.25

In [2]: results = [Link]("/tmp/[Link]")

In [3]: results
Out[3]:
array([[ 2.16064560e+07, 9.90000000e+00, 1.23200000e+01,
1.60000000e+01],
[ 2.14023540e+07, 1.12000000e+01, 1.05000000e+01,
1.22500000e+01]])

numpy : librairie pour le calcul scientifique 34

 Entrées/sorties de numpy

▶ numpy permet également de sauvegarder un tableau dans un fichier texte

In [4]: [Link]("/tmp/[Link]", results)

▶ le module pandas  est toutefois bien mieux adapté à la lecture de fichier

contenant des données numériques

numpy : librairie pour le calcul scientifique 35

 Entrées/sorties de numpy

▶ numpy permet également de sauvegarder un tableau dans un fichier texte

In [4]: [Link]("/tmp/[Link]", results)

▶ le module pandas  est toutefois bien mieux adapté à la lecture de fichier

contenant des données numériques

numpy : librairie pour le calcul scientifique 35

Annexes
 Opérations algébriques : Broadcasting †

[Link](3)+5

0 1 2 + 5 5 5 = 5 6 7
[Link]((3,3))+[Link](3)

1 1 1 0 1 2 1 2 3
1 1 1 + 0 1 2 = 1 2 3
1 1 1 0 1 2 1 2 3
[Link](3).reshape((3,1))+[Link](3)

0 0 0 0 1 2 0 1 2
1 1 1 + 0 1 2 = 1 2 3
2 2 2 0 1 2 2 3 4
..
† pour plus de détails, cf. discussion 

numpy : librairie pour le calcul scientifique 37