Introduction à l’utilisation de numpy et

matplotlib

Séna APEKE

UL/BERIIA

23/03/2022

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 1 / 59

1 Numpy
Création d’arrays numpy

2 Opérations sur les arrays

Algèbre linéaire avec np.linalg
Le format .npy

3 Matplotlib
Introduction
Le module Pyplot
Le module Image
 Numpy

Introduction
NumPy (Numerical Python) est une bibliothèque Python open source
utilisée dans presque tous les domaines de la science et de l’ingénierie.
C’est la norme universelle pour travailler avec des données numériques en
Python, et c’est au cœur des écosystèmes scientifiques Python et PyData.
Les utilisateurs de NumPy incluent tout le monde, des codeurs débutants
aux chercheurs expérimentés effectuant des recherches et développements
scientifiques et industriels de pointe. L’API NumPy est largement utilisée
dans Pandas, SciPy, Matplotlib, scikit-learn, scikit-image et la plupart des
autres packages scientifiques et de science des données.

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 3 / 59

 Numpy

Introduction
NumPy (Numerical Python) est une bibliothèque Python open source
utilisée dans presque tous les domaines de la science et de l’ingénierie.
C’est la norme universelle pour travailler avec des données numériques en
Python, et c’est au cœur des écosystèmes scientifiques Python et PyData.
Les utilisateurs de NumPy incluent tout le monde, des codeurs débutants
aux chercheurs expérimentés effectuant des recherches et développements
scientifiques et industriels de pointe. L’API NumPy est largement utilisée
dans Pandas, SciPy, Matplotlib, scikit-learn, scikit-image et la plupart des
autres packages scientifiques et de science des données.

La bibliothèque NumPy contient des tableaux multidimensionnels et des

structures de données matricielles. Il fournit ndarray, un objet de tableau
homogène à n dimensions, avec des méthodes pour fonctionner
efficacement dessus. NumPy peut être utilisé pour effectuer une grande
variété d’opérations mathématiques sur des tableaux.

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 3 / 59

 Numpy Création d’arrays numpy

Importer la biblio numpy

import numpy as np

Quelle est la différence entre une liste python et un tableau numpy

NumPy vous offre une vaste gamme de moyens rapides et efficaces de créer des
tableaux et de manipuler des données numériques à l’intérieur de ceux-ci. Alors
qu’une liste Python peut contenir différents types de données dans une seule liste,
tous les éléments d’un tableau NumPy doivent être homogènes. Les opérations
mathématiques censées être effectuées sur des tableaux seraient extrêmement
inefficaces si les tableaux n’étaient pas homogènes.

Pourquoi utiliser numpy

Les tableaux NumPy sont plus rapides et plus compacts que les listes Python. Un
tableau consomme moins de mémoire et est pratique à utiliser. NumPy utilise
beaucoup moins de mémoire pour stocker les données et fournit un mécanisme de
spécification des types de données. Cela permet d’optimiser encore plus le code.

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 4 / 59

 Numpy Création d’arrays numpy

C’est quoi un array ?

Un array est une structure de données centrale de la bibliothèque NumPy. Un
array est une grille de valeurs et il contient des informations sur les données
brutes, comment localiser un élément et comment interpréter un élément. Il
dispose d’une grille d’éléments qui peuvent être indexés de différentes manières.
Les éléments sont tous du même type, appelé array dtype.

Un array peut être indexé par un tuple d’entiers non négatifs, par des booléens,
par un autre array ou par des entiers. Le rang du array est le nombre de
dimensions. La forme du array est un tuple d’entiers donnant la taille du array le
long de chaque dimension.
Une façon d’initialiser les array NumPy est à partir de listes Python, en utilisant
des listes imbriquées pour les données à deux dimensions ou plus.

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

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 5 / 59

 Numpy Création d’arrays numpy

Différentes façon de créer un array

Utilisation de : np.array(), np.zeros(), np.ones(), np.empty(), np.arange(),
np.linspace(), dtype.
import numpy as np

≫ a = np.array ([1, 2, 3])

≫ a = np.zeros(2); b = np.zeros((2, 3))

a = np.ones(2) ; b = np.ones((2,2))

≫ np.empty (2)
initialise avec des valeurs array([ 3.14, 42. ]) may vary

≫ np.arange(4)
array([0, 1, 2, 3])

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 6 / 59

 Numpy Création d’arrays numpy

Vous pouvez également utiliser np.linspace() pour créer un array avec des
valeurs espacées linéairement dans un intervalle spécifié :
≫ np.linspace(0, 10, num = 5)
array([ 0. , 2.5, 5. , 7.5, 10. ])

Bien que le type de données par défaut soit à virgule flottante

(np.float64), vous pouvez spécifier explicitement le type de données
souhaité à l’aide du mot-clé dtype.
≫ x = np.ones(2, dtype = np.int64)

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 7 / 59

 Numpy Création d’arrays numpy

Adding and sorting elements

Trier un élément est simple avec np.sort(). Vous pouvez spécifier l’axe, le
type et l’ordre lorsque vous appelez la fonction.

≫ arr = np.array ([2, 1, 5, 3, 7, 4, 6, 8])

≫ np.sort(arr )
array([1, 2, 3, 4, 5, 6, 7, 8])

En plus de sort, qui renvoie une copie triée d’un tableau, vous pouvez
utiliser :
argsort, qui est un tri indirect le long d’un axe spécifié,
lexsort, qui est un tri stable indirect sur plusieurs clés,
searchsorted, qui trouvera des éléments dans un tableau trié, et
partition, qui est un tri partiel.

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 8 / 59

 Numpy Création d’arrays numpy

concatenate

≫ a = np.array ([1, 2, 3, 4])

≫ b = np.array ([5, 6, 7, 8])
≫ np.concatenate((a, b))
array([1, 2, 3, 4, 5, 6, 7, 8])

≫ x = np.array ([[1, 2], [3, 4]])

≫ y = np.array ([[5, 6]])
≫ np.concatenate((x, y ), axis = 0)
array([[1, 2],
[3, 4],
[5, 6]])

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 9 / 59

 Numpy Création d’arrays numpy

How do you know the shape and size of an array?

ndarray.ndim vous indiquera le nombre d’axes, ou dimensions, du tableau.

ndarray.size vous indiquera le nombre total d’éléments du tableau. C’est
le produit des éléments de la forme du tableau.
ndarray.shape affichera un tuple d’entiers indiquant le nombre d’éléments
stockés le long de chaque dimension du tableau. Si, par exemple, vous
avez un tableau 2D avec 2 lignes et 3 colonnes, la forme de votre tableau
est (2, 3).

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 10 / 59

 Numpy Création d’arrays numpy

≫ a = np.array ([[[0, 1, 2, 3],

[4, 5, 6, 7]],
[[0, 1, 2, 3],
[4, 5, 6, 7]],
[[0 ,1 ,2, 3],
[4, 5, 6, 7]]])

La dimension de a
≫ a.ndim
3
Le nombre d’éléments du array
≫ a.size
24
La shape de a
≫ a.shape
(3, 2, 4)
Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 11 / 59
 Numpy Création d’arrays numpy

np.reshape et np.ravel

≫ a = np.arange(6)
≫ print(a)
12345

≫ b = a.reshape(3, 2)
≫ print(b)
[[01]
[23]
[45]]

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

≫ np.ravel(x)
array([1, 2, 3, 4, 5, 6])
≫ x.reshape(−1)
array([1, 2, 3, 4, 5, 6])
Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 12 / 59
 Numpy Création d’arrays numpy

≫ a = np.array ([[1, 2, 3], [4, 5, 6]])

≫ np.reshape(a, (3, −1))
array([[1, 2],
[3, 4],
[5, 6]])

PS : pou plus d’info

https://numpy.org/doc/stable/reference/generated/numpy.reshape.html

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 13 / 59

 Numpy Création d’arrays numpy

Comment créer un tableau à partir de données

existantes

≫ a = np.array ([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

≫ arr 1 = a[3 : 8]
≫ arr 1
array([4, 5, 6, 7, 8])

≫ a1 = np.array ([[1, 1], [2, 2]])

≫ a2 = np.array ([[3, 3], [4, 4]])
≫ np.vstack((a1, a2))
≫ array ([[1, 1],
[2, 2],
[3, 3],
[4, 4]])

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 14 / 59

 Numpy Création d’arrays numpy

≫ np.hstack((a1, a2))
≫ array ([[1, 1, 3, 3],
[2, 2, 4, 4]])

≫ x = np.arange(1, 25).reshape(2, 12)

≫x
≫ array ([[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12],
[13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24]])

≫ np.hsplit(x, 3)
≫ [array ([[1, 2, 3, 4],
[13, 14, 15, 16]]), array([[ 5, 6, 7, 8],
[17, 18, 19, 20]]), array([[ 9, 10, 11, 12],
[21, 22, 23, 24]])]

≫ np.hsplit(x, (3, 4))

≫ [array ([[1, 2, 3],
[13, 14, 15]]), array([[ 4],
[16]]), array([[ 5, 6, 7, 8, 9, 10, 11, 12],
[17,(UL/BERIIA)
Séna APEKE 18, 19, 20, 21, 22, 23,à l’utilisation
Introduction 24]])] de numpy et matplotlib 23/03/2022 15 / 59
 Opérations sur les arrays Algèbre linéaire avec np.linalg

Résoudre des systèmes linéaires avec np.solve

x0 + 2 * x1 + x2 = 4
x1 + x2 = 3
x0 + x2 = 5

Nous pouvons exprimer ce système comme une équation matricielle A * x

= b avec:
A = np.array([[1, 2, 1],
[0, 1, 1],
[1, 0, 1]])
b = np.array([4, 3, 5])

Ensuite, utilisez np.linalg.solve pour résoudre x :

x = np.linalg.solve(A, b)
# Out: x = array([ 1.5, -0.5, 3.5])

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 16 / 59

 Opérations sur les arrays Algèbre linéaire avec np.linalg

A doit être un carré et une matrice complète: toutes ses lignes doivent
être linéairement indépendantes. A doit être inversible / non singulier (son
déterminant n’est pas zéro). Par exemple, si une ligne de A est un multiple
d’un autre, l’appel de linalg.solve soulèvera LinAlgError: Singular matrix :

A = np.array([[1, 2, 1],
[2, 4, 2],
[1, 0, 1]])
b = np.array([4,8,5])

De tels systèmes peuvent être résolus avec np.linalg.lstsq

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 17 / 59

 Opérations sur les arrays Le format .npy

NPY

Le format .npy est le format standart de fichier binaire des tableau numpy
pour les persistence de toutes ses infos sur le disque.
Le format stocke toutes les informations de forme et de type nécessaires
pour reconstruire correctement le tableau, même sur une autre machine
avec une architecture différente. Le format est conçu pour être aussi
simple que possible tout en atteignant ses objectifs limités.

Le format .npz est le format standard pour conserver plusieurs tableaux

NumPy sur le disque. Un fichier .npz est un fichier zip contenant plusieurs
fichiers .npy, un pour chaque tableau.

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 18 / 59

 Opérations sur les arrays Le format .npy

Les fichiers npy et npz conservent des informations telles que le type de
données (dtype) et la forme.

Par exemple, les tableaux multidimensionnels de trois dimensions ou plus

ne peuvent pas être directement enregistrés dans des fichiers CSV sans
conversion de forme. Cependant, les fichiers npy et npz enregistrent ces
tableaux tels quels, préservant à la fois leur structure et leur précision sans
arrondir les décimales.

Bien que les formats npy et npz soient publiquement documentés, leur
utilisation est principalement limitée à NumPy.

Contrairement aux fichiers CSV, ces fichiers ne peuvent pas être ouverts et
modifiés dans d’autres applications pour une révision rapide du contenu.

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 19 / 59

 Opérations sur les arrays Le format .npy

Enregistrez un tableau dans un fichier npy :

np.save()

np.save() enregistre un seul tableau dans un fichier npy.

a = np.arange(6, dtype=np.int8).reshape(1, 2, 3)
print(a)
# [[[0 1 2]
# [3 4 5]]]

print(a.shape)
# (1, 2, 3)

print(a.dtype)
# int8

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 20 / 59

 Opérations sur les arrays Le format .npy

Spécifiez le chemin du fichier, soit sous forme de chaı̂ne, soit sous forme
d’objet pathlib.Path, comme premier argument et le ndarray à enregistrer
comme second.
np.save(’data/temp/np save’, a)

Le fichier est enregistré sous le chemin spécifié avec une extension .npy. Si
le chemin se termine déjà par .npy, il reste inchangé.

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 21 / 59

 Opérations sur les arrays Le format .npy

np.load()

Le chargement d’un fichier npy avec np.load() renvoie le tableau enregistré

sous forme de ndarray, en préservant son type et sa forme de données
d’origine.

a load = np.load(’data/temp/np save.npy’)

print(a load)
# [[[0 1 2]
# [3 4 5]]]

print(a load.shape)
# (1, 2, 3)

print(a load.dtype)
# int8

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 22 / 59

 Opérations sur les arrays Le format .npy

Enregistrez plusieurs tableaux dans un fichier npz :

np.savez()

np.savez() enregistre plusieurs tableaux dans un seul fichier npz, en

préservant le type et la forme des données, similaire à npy.
Considérez les deux tableaux suivants à titre d’exemple.

a1 = np.arange(5)
print(a1)
# [0 1 2 3 4]

a2 = np.arange(5, 10)
print(a2)
# [5 6 7 8 9]

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 23 / 59

 Opérations sur les arrays Le format .npy

Spécifiez le chemin du fichier sous forme de chaı̂ne ou d’objet

pathlib.Path, suivi de tableaux à enregistrer, séparés par des virgules.
Bien que cet exemple montre l’enregistrement de deux tableaux, vous
pouvez en spécifier trois ou plus.

np.savez(’data/temp/np savez’, a1 , a2 )

Le fichier est enregistré sous le chemin spécifié avec une extension .npz. Si
le chemin se termine déjà par .npz, il reste inchangé.

Comme les fichiers npy, les fichiers npz sont également chargés à l’aide de
np.load(), mais ils renvoient un objet NpzFile.

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 24 / 59

 Opérations sur les arrays Le format .npy

npz = np.load(’data/temp/np savez.npz’)

print(type(npz))
# < class 0 numpy .lib.npyio.NpzFile 0 >

Accédez aux tableaux stockés en spécifiant leurs noms entre []. Les noms
de chaque tableau peuvent être vérifiés à l’aide de l’attribut files.

print(npz.files)
# [’arr 0’, ’arr 1’]

print(npz[’arr 0’])
# [0 1 2 3 4]

print(npz[’arr 1’])
# [5 6 7 8 9]

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 25 / 59

 Opérations sur les arrays Le format .npy

L’utilisation d’arguments de mots-clés avec np.savez() permet d’attribuer

des noms personnalisés aux tableaux.

np.savez(’data/temp/np savez kw’, x=a1 , y = a2 )

npz kw = np.load(’data/temp/np savez kw.npz’)

print(npz kw.files)
# [0 x 0 ,0 y 0 ]

print(npz kw[’x’])
# [01234]

print(npz kw[’y’])
# [56789]

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 26 / 59

 Opérations sur les arrays Le format .npy

Bien que cela puisse être moins courant, il est également possible de
nommer uniquement certains tableaux à l’aide d’arguments de mots clés
(keyword arguments).

np.savez(’data/temp/np savez kw2’, a1 , y = a2 )

npz kw2 = np.load(’data/temp/np savez kw2.npz’)

print(npz kw2.files)
# [0 y 0 ,0 arr00 ]

print(npz kw2[’arr00 ])
# [01234]

print(npz kw2[’y’])
# [56789]

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 27 / 59

 Opérations sur les arrays Le format .npy

Enregistrez plusieurs tableaux dans un fichier npz

compressé : np.savez compressed()
np.savez compressed() fonctionne comme np.savez() mais compresse les
tableaux pour réduire la taille du fichier.
L’extension de fichier de np.savez compressed() est .npz, identique à np.savez(),
et peut être chargée de la même manière avec np.load().

np.savez compressed(’data/temp/nps avezc omp 0 , a1 , a2 )

npz comp = np.load(’data/temp/np savezc omp.npz 0 )
print(type(npz comp))
# < class 0 numpy .lib.npyio.NpzFile 0 >
print(npz comp.files)
# [0 arr 00 ,0 arr 10 ]
print(npz comp[’arr00 ])
# [01234]
print(npz comp[’arr 1’])
# [56789]

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 28 / 59

 Opérations sur les arrays Le format .npy

Les arguments de mots clés sont également pris en charge.

np.savez compressed(’data/temp/np savez comp kw’, x=a1 , y = a2 )

npz comp kw = np.load(’data/temp/np savez comp kw.npz’)

print(npz comp kw.files)
# [0 x 0 ,0 y 0 ]

print(npz comp kw[’x’])

# [01234]

print(npz comp kw[’y’])

# [56789]

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 29 / 59

 Matplotlib Introduction

Introduction

Matplotlib est une bibliothèque du langage de programmation Python

destinée à tracer et visualiser des données sous formes de graphiques5.
Elle est souvent combinée avec les bibliothèques python de calcul
scientifique NumPy et SciPy.

Le module pyplot de matplotlib est l’un de ses principaux modules. Il

regroupe un grand nombre de fonctions qui servent à créer des graphiques
et les personnaliser (travailler sur les axes, le type de graphique, sa forme
et même rajouter du texte).

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 30 / 59

 Matplotlib Le module Pyplot

Procédons par des exemples

import matplotlib.pyplot as plt

plt.plot([1, 2, 3, 4])
plt.ylabel(’some numbers’)
plt.show()

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 31 / 59

 Matplotlib Le module Pyplot

Remarque
Vous vous demandez peut-être pourquoi l’axe des x va de 0 à 3 et l’axe des
y de 1 à 4. Si vous fournissez une seule liste ou un seul tableau à tracer,
matplotlib suppose qu’il s’agit d’une séquence de valeurs y et génère
automatiquement les valeurs x pour vous. Étant donné que les plages
python commencent par 0, le vecteur x par défaut a la même longueur que
y mais commence par 0. Par conséquent, les données x sont [0, 1, 2, 3].

Formater le style de votre tracé

Pour chaque paire d’arguments x, y, il existe un troisième argument
facultatif qui est la chaı̂ne de format qui indique la couleur et le type de
ligne du tracé.

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 32 / 59

 Matplotlib Le module Pyplot

Formater le style de votre tracé

import numpy as np
# evenly sampled time at 200ms intervals
t = np.arange(0., 5., 0.2)
# red dashes, blue squares and green triangles
0
plt.plot(t, t, ’r–’, t, t**2, ’bs’, t, t**3, ’g )
plt.show()

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 33 / 59

 Matplotlib Le module Pyplot

Tracé avec des chaı̂nes de mots-clés

Tracé avec des chaı̂nes de mots-clés

Dans certains cas, vous avez des données dans un format qui vous permet
d’accéder à des variables particulières avec des chaı̂nes. Par exemple, avec
numpy.recarray ou pandas.DataFrame.
Matplotlib vous permet de fournir un tel objet avec l’argument du mot-clé data.
Si elles sont fournies, vous pouvez générer des graphiques avec les chaı̂nes
correspondant à ces variables.

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 34 / 59

 Matplotlib Le module Pyplot

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 35 / 59

 Matplotlib Le module Pyplot

Traçage avec des variables catégorielles

Il est également possible de créer un tracé à l’aide de variables catégorielles.
Matplotlib vous permet de transmettre des variables catégorielles directement à
de nombreuses fonctions de traçage. Par exemple :

names = [’group a’, ’group b’, ’group c’]

values = [1, 10, 100]

plt.figure(figsize=(9, 3))

plt.subplot(131)
plt.bar(names, values)
plt.subplot(132)
plt.scatter(names, values)
plt.subplot(133)
plt.plot(names, values)
plt.suptitle(’Categorical Plotting’)
plt.show()

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 36 / 59

 Matplotlib Le module Pyplot

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 37 / 59

 Matplotlib Le module Pyplot

Travailler avec plusieurs figures et axes

MATLAB et pyplot ont le concept de la figure actuelle et des axes actuels.
Toutes les fonctions de traçage s’appliquent aux axes actuels. La fonction gca
renvoie les axes actuels (une instance matplotlib.axes.Axes) et gcf renvoie la
figure actuelle (une instance matplotlib.figure.Figure). Normalement, vous n’avez
pas à vous inquiéter à ce sujet, car tout est réglé en coulisses. Vous trouverez
ci-dessous un script pour créer deux sous-intrigues.

def f(t):
return np.exp(-t) * np.cos(2*np.pi*t)
t1 = np.arange(0.0, 5.0, 0.1)
t2 = np.arange(0.0, 5.0, 0.02)

plt.figure()
plt.subplot(211)
plt.plot(t1, f(t1), ’bo’, t2, f(t2), ’k’)
plt.subplot(212)
plt.plot(t2, np.cos(2*np.pi*t2), ’r–’)
plt.show()
Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 38 / 59
 Matplotlib Le module Pyplot

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 39 / 59

 Matplotlib Le module Pyplot

Annoter du texte

Les utilisations de la fonction de texte de base ci-dessus placent le texte à une

position arbitraire sur les axes. Une utilisation courante du texte consiste à
annoter certaines caractéristiques du tracé, et la méthode annotate fournit une
fonctionnalité d’assistance pour faciliter les annotations. Dans une annotation, il
y a deux points à considérer : l’emplacement à annoter représenté par l’argument
xy et l’emplacement du texte xytext. Ces deux arguments sont des tuples (x, y).

ax = plt.subplot()
t = np.arange(0.0, 5.0, 0.01)
s = np.cos(2*np.pi*t)
line, = plt.plot(t, s, lw=2)
plt.annotate(’local max’, xy=(2, 1), xytext=(3, 1.5),
arrowprops=dict(facecolor=’black’, shrink=0.05),
)
plt.ylim(-2, 2)
plt.show()

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 40 / 59

 Matplotlib Le module Pyplot

Dans cet exemple de base, les emplacements xy (pointe de la flèche) et

xytext (emplacement du texte) sont tous deux en coordonnées de données.
Il existe une variété d’autres systèmes de coordonnées que vous pouvez
choisir – voir Annotation de base et Annotation avancée pour plus de
détails. D’autres exemples peuvent être trouvés dans Annotation de tracés.

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 41 / 59

 Matplotlib Le module Pyplot

Axes logarithmiques et autres axes non linéaires

Matplotlib.pyplot prend en charge non seulement les échelles d’axes

linéaires, mais également les échelles logarithmiques et logit. Ceci est
couramment utilisé si les données couvrent plusieurs ordres de grandeur.
Changer l’échelle d’un axe est simple :

plt.xscale(’log’)

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 42 / 59

 Matplotlib Le module Pyplot

Un exemple de quatre tracés avec les mêmes données et des échelles

différentes pour l’axe des y est présenté ci-dessous.
# Fixing random state for reproducibility
np.random.seed(19680801)

# make up some data in the open interval (0, 1)

y = np.random.normal(loc = 0.5, scale = 0.4, size = 1000)
y = y [(y > 0)(y < 1)] Fixing random state for reproducibility
np.random.seed(19680801)
make up some data in the open interval (0, 1) y =
np.random.normal(loc=0.5, scale=0.4, size=1000) y = y[(y ¿ 0) (y ¡ 1)]
y.sort() x = np.arange(len(y))
plot with various axes scales plt.figure()
y.sort()
x = np.arange(len(y))

# plot with various axes scales

plt.figure()
Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 43 / 59
 Matplotlib Le module Pyplot

# linear
plt.subplot(221)
plt.plot(x, y)
plt.yscale(’linear’)
plt.title(’linear’)
plt.grid(True)

# log
plt.subplot(222)
plt.plot(x, y)
plt.yscale(’log’)
plt.title(’log’)
plt.grid(True)

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 44 / 59

 Matplotlib Le module Pyplot

# symmetric log
plt.subplot(223)
plt.plot(x, y - y.mean())
plt.yscale(’symlog’, linthresh=0.01)
plt.title(’symlog’)
plt.grid(True)

# logit
plt.subplot(224)
plt.plot(x, y)
plt.yscale(’logit’)
plt.title(’logit’)
plt.grid(True)

# Adjust the subplot layout, because the logit one may take more space
# than usual, due to y-tick labels like ”1 − 10−3 ”

plt.subplots adjust(top=0.92, bottom=0.08, left=0.10, right=0.95, hspace=0.25,

wspace=0.35)
plt.show()
Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 45 / 59
 Matplotlib Le module Pyplot

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 46 / 59

 Matplotlib Le module Image

Importer des données d’image dans des tableaux

Numpy

Matplotlib s’appuie sur la bibliothèque Pillow pour charger les données

d’image.
Voici l’image avec laquelle nous allons jouer :

from PIL import Image

img = np.asarray(Image.open(’/home/apeke/Documents/CoursK ara −

2024/stinkbug .png 0 ))
print(repr(img))

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 47 / 59

 Matplotlib Le module Image

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 48 / 59

 Matplotlib Le module Image

imgplot = plt.imshow(img)

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 49 / 59

 Matplotlib Le module Image

Application de schémas de pseudo-couleurs aux

tracés d’images

Pseudocolor peut être un outil utile pour améliorer le contraste et

visualiser plus facilement vos données. Ceci est particulièrement utile
lorsque vous effectuez des présentations de vos données à l’aide de
projecteurs – leur contraste est généralement assez faible.

La pseudo-couleur ne concerne que les images de luminosité monocanal,

en niveaux de gris. Nous avons actuellement une image RVB. Puisque R,
G et B sont tous similaires (voyez par vous-même ci-dessus ou dans vos
données), nous pouvons simplement choisir un canal de nos données en
utilisant le découpage de tableau (vous pouvez en savoir plus dans le
didacticiel Numpy) :

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 50 / 59

 Matplotlib Le module Image

lum img = img[:, :, 0]

plt.imshow(lumi mg )

Désormais, avec une image de luminosité (2D, sans couleur), la palette de

couleurs par défaut (alias table de recherche, LUT) est appliquée. La
valeur par défaut est appelée viridis. Il y en a bien d’autres parmi lesquels
choisir.
Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 51 / 59
 Matplotlib Le module Image

plt.imshow(lum img, cmap=”hot”)

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 52 / 59

 Matplotlib Le module Image

Référence de l’échelle de couleurs

Il est utile d’avoir une idée de la valeur que représente une couleur. Nous pouvons
le faire en ajoutant une barre de couleur à votre silhouette :
imgplot = plt.imshow(lum img)
plt.colorbar()

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 53 / 59

 Matplotlib Le module Image

Examen d’une plage de données spécifique

Parfois, vous souhaitez améliorer le contraste de votre image ou élargir le

contraste dans une région particulière tout en sacrifiant les détails dans des
couleurs qui ne varient pas beaucoup ou n’ont pas d’importance.
L’histogramme est un bon outil pour trouver des régions intéressantes.
Pour créer un histogramme de nos données d’image, nous utilisons la
fonction hist().

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 54 / 59

 Matplotlib Le module Image

plt.hist(lum img.ravel(), bins=range(256), fc=’k’, ec=’k’)

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 55 / 59

 Matplotlib Le module Image

plt.hist(lum img.ravel(), bins=range(256), fc=’k’, ec=’k’)

Most often, the ”interesting” part of the image is around the peak, and you can
get extra contrast by clipping the regions above and/or below the peak. In our
histogram, it looks like there’s not much useful information in the high end (not
many white things in the image). Let’s adjust the upper limit, so that we
effectively ”zoom in on” part of the histogram. We do this by setting clim, the
colormap limits.
Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 55 / 59
 Matplotlib Le module Image

Schémas d’interpolation de tableaux

L’interpolation calcule ce que ”devrait” être la couleur ou la valeur d’un

pixel, selon différents schémas mathématiques. Cela se produit souvent
lorsque vous redimensionnez une image. Le nombre de pixels change, mais
vous voulez les mêmes informations. Puisque les pixels sont discrets, il
manque de l’espace. L’interpolation est la façon dont vous remplissez cet
espace. C’est pourquoi vos images semblent parfois pixellisées lorsque vous
les agrandissez. L’effet est d’autant plus prononcé que la différence entre
l’image originale et l’image agrandie est plus grande. Prenons notre image
et réduisons-la. Nous supprimons effectivement les pixels, n’en conservant
que quelques-uns. Désormais, lorsque nous les traçons, ces données sont
agrandies à la taille de votre écran. Les anciens pixels ne sont plus là et
l’ordinateur doit dessiner en pixels pour remplir cet espace.
Nous utiliserons également la bibliothèque Pillow que nous avons utilisée
pour charger l’image pour redimensionner l’image.

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 56 / 59

 Matplotlib Le module Image

img = Image.open(’../../doc/ static/stinkbug.png’)

img.thumbnail((64, 64)) resizes image in-place
imgplot = plt.imshow(img)

Ici, nous utilisons l’interpolation par défaut (”la plus proche”), puisque
nous n’avons donné à imshow() aucun argument d’interpolation.
Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 57 / 59
 Matplotlib Le module Image

Essayons-en d’autres. Voici ”bilinéaire”:

imgplot = plt.imshow(img, interpolation=”bilinear”)

Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 58 / 59

 Matplotlib Le module Image

et bicubique :
imgplot = plt.imshow(img, interpolation=”bicubic”)

L’interpolation bicubique est souvent utilisée pour agrandir des

photosBicubic interpolation is often used when blowing up photos - people
tend to prefer blurry over pixelated..
Séna APEKE (UL/BERIIA) Introduction à l’utilisation de numpy et matplotlib 23/03/2022 59 / 59