Python : NumPy

Achref El Mouelhi

Docteur de l’université d’Aix-Marseille

Chercheur en programmation par contrainte (IA)
Ingénieur en génie logiciel

[email protected]

H & H: Research and Training 1 / 72

 Plan
1 Introduction
2 Création d’un ndarray
size
ndim et shape
ndmin
3 Types de données
4 Génération de valeurs
arange
reshape
zeros
ones
identity
eye
fromfunction

H & H: Research and Training 2 / 72

 Plan

5 Accès aux éléments d’un ndarray

6 Extraction d’un sous-tableau

7 Itération sur un ndarray

for ... in
nditer
ndenumerate

8 Opérations de base sur les ndarray

Opérations arithmétiques
Fonctions universelles
Opérations algébriques

H & H: Research and Training 3 / 72

 Introduction

Python
NumPy : Numerical Python

librairie Python dédiée aux tableaux (très utilisés en science de données : Data
Science)

open-source
I c
EL H
créée en 2005 par Travis Oliphant
U
écrite partiellement en Python (lesL MO
écrites en C ou C++)
ref E parties nécessitant des calculs rapides sont

c h
c A

H & H: Research and Training 4 / 72

 Introduction

Python
NumPy : Numerical Python

librairie Python dédiée aux tableaux (très utilisés en science de données : Data
Science)

open-source
I c
EL H
créée en 2005 par Travis Oliphant
U
écrite partiellement en Python (lesL MO
écrites en C ou C++)
ref E parties nécessitant des calculs rapides sont

c h
c A
NumPy, pourquoi ?

un accès jusqu’à 50 fois plus rapide que les listes, tuples... de Python : NumPy
stocke les valeurs dans un espace mémoire continu

H & H: Research and Training 4 / 72

 Introduction

Python

c
E LHI
Documentation officielle
U
https://numpy.org/
L MO
f E
c hre
c A

H & H: Research and Training 5 / 72

 Introduction

Python

Démarche
I c
H
EL espace de travail
Créez un répertoire cours-numpy dans votre
O U
Lancez VSC et allez dans FileM
fE L > Open Folder... et
choisissez cours-numpy
h r e
c créez un fichier main.py
c A
Dans cours-numpy,

H & H: Research and Training 6 / 72

 Introduction

Python
Pour installer NumPy, lancez la commande
pip install numpy

c
E LHI
U
L MO
f E
c hre
c A

H & H: Research and Training 7 / 72

 Introduction

Python
Pour installer NumPy, lancez la commande
pip install numpy

I c
H
ELl’alias np)
U
Pour utiliser NumPy, il faut l’importer (ici sous
import numpy as np
L MO
h r e fE
c
c A

H & H: Research and Training 7 / 72

 Introduction

Python
Pour installer NumPy, lancez la commande
pip install numpy

I c
H
ELl’alias np)
U
Pour utiliser NumPy, il faut l’importer (ici sous
import numpy as np
L MO
h r e fE
A c
c
Pour afficher la version de NumPy
import numpy as np

print(np.__version__)
# affiche 1.19.1

H & H: Research and Training 7 / 72

 Création d’un ndarray

Python
Pour créer un tableau

import numpy as np

tab = np.array([1, 2, 3, 4, 5])

c
HI
print(tab)
# affiche [1 2 3 4 5]

U E L
L MO
f E
c hre
c A

H & H: Research and Training 8 / 72

 Création d’un ndarray

Python
Pour créer un tableau

import numpy as np

tab = np.array([1, 2, 3, 4, 5])

c
HI
print(tab)
# affiche [1 2 3 4 5]

U E L
L MO
f E
Pour déterminer la taille (le nombre d’éléments)

c hre
c A
print(len(tab))
# affiche 5

H & H: Research and Training 8 / 72

 Création d’un ndarray

Python
Pour créer un tableau

import numpy as np

tab = np.array([1, 2, 3, 4, 5])

c
HI
print(tab)
# affiche [1 2 3 4 5]

U E L
L MO
f E
Pour déterminer la taille (le nombre d’éléments)

c hre
c A
print(len(tab))
# affiche 5

Pour déterminer le type

print(type(tab))
# affiche <class ’numpy.ndarray’>

H & H: Research and Training 8 / 72

 Création d’un ndarray

Python

Explication
I c
EL
ndarray : type de tableau défini par NumPy
H
U
O ètre une liste Python (à
La méthode array() accepteL Mparam
en
r e
plusieurs dimensions)
h fE
ou un tuple et retourne un ndarray.
c
A tableau = nombre d’imbrication
c d’un
Dimension

H & H: Research and Training 9 / 72

 Création d’un ndarray size

Python

Pour créer un tableau à deux dimensions

tab2 = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])

c
E LHI
U
L MO
f E
c hre
c A

H & H: Research and Training 10 / 72

 Création d’un ndarray size

Python

Pour créer un tableau à deux dimensions

tab2 = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])

I c
H
ELle premier tableau
La fonction len retourne le nombre d’éléments : ici 2 car
U
MO
contient deux sous-tableaux

print(len(tab2))
fE L
# affiche 2
c h r e
c A

H & H: Research and Training 10 / 72

 Création d’un ndarray size

Python

Pour créer un tableau à deux dimensions

tab2 = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])

I c
H
ELle premier tableau
La fonction len retourne le nombre d’éléments : ici 2 car
U
MO
contient deux sous-tableaux

print(len(tab2))
fE L
# affiche 2
c h r e
c A
La propriété size retourne le nombre total d’éléments

print (tab2.size)
# affiche 10

H & H: Research and Training 10 / 72

 Création d’un ndarray ndim et shape

Python

Pour connaı̂tre le nombre de dimensions, on utilise la propriété

ndim
c
print(tab2.ndim)
# affiche 2
E LHI
U
L MO
f E
c hre
c A

H & H: Research and Training 11 / 72

 Création d’un ndarray ndim et shape

Python

Pour connaı̂tre le nombre de dimensions, on utilise la propriété

ndim
c
print(tab2.ndim)
# affiche 2
E LHI
U
L MO
f E
re un tuple contenant le nombre
d’élémentscpar A
c h
La propriété shape retourne
dimension
print (tab2.shape)
# affiche (2, 5)

H & H: Research and Training 11 / 72

 Création d’un ndarray ndim et shape

Python
Pour créer un tableau à trois dimensions (3 nivaux d’imbrications)

tab3 = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11,

12]]])

c
E LHI
U
L MO
f E
c hre
c A

H & H: Research and Training 12 / 72

 Création d’un ndarray ndim et shape

Python
Pour créer un tableau à trois dimensions (3 nivaux d’imbrications)

tab3 = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11,

12]]])

I c
La fonction len retourne le nombre d’éléments : ici 2E
L H
U car le premier tableau
contient deux sous-tableaux
L MO
print(len(tab3))
h r e fE
# affiche 2
c
c A

H & H: Research and Training 12 / 72

 Création d’un ndarray ndim et shape

Python
Pour créer un tableau à trois dimensions (3 nivaux d’imbrications)

tab3 = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11,

12]]])

I c
La fonction len retourne le nombre d’éléments : ici 2E
L H
U car le premier tableau
contient deux sous-tableaux
L MO
print(len(tab3))
h r e fE
# affiche 2
c
c A
Pour connaı̂tre le nombre de dimensions, on utilise ndim

print(tab3.ndim)
# affiche 3

H & H: Research and Training 12 / 72

 Création d’un ndarray ndim et shape

Python
Attention, le tableau suivant a 3 éléments et 2 dimensions
array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

print(len(array))
c
# affiche 3
E LHI
U
MO
print(array.ndim)
# affiche 2
f E L
c hre
c A

H & H: Research and Training 13 / 72

 Création d’un ndarray ndim et shape

Python
Attention, le tableau suivant a 3 éléments et 2 dimensions
array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

print(len(array))
c
# affiche 3
E LHI
U
MO
print(array.ndim)
# affiche 2
f E L
A c hre
c
Pour créer un ndarray à partir d’un tuple
tup = np.array((1, 2, 3))

print(len(tup))
# affiche 3

H & H: Research and Training 13 / 72

 Création d’un ndarray ndim et shape

Python

I c
Remarques
EL H
O U
Un ndarray contenant un seul élément (np.array(4) par
exemple) est de dimension 0L M
Chaque élémenth r e fE
c d’un ndarray est de dimension 0
c A

H & H: Research and Training 14 / 72

 Création d’un ndarray ndmin

Python

Pour créer un tableau à 4 dimensions, on peut faire

c
tab4 = np.array([1, 2, 3, 4], ndmin=4)
E LHI
U
print(tab4)
L MO
# affiche [[[1 2 3 4]]]
f E
c hre
print(tab4.ndim)
# affiche 4 c A

H & H: Research and Training 15 / 72

 Types de données

Python
Types de données autorisés par NumPy

i - integer

b - boolean

c
u - unsigned integer

E LHI
f - float
U
c - complex float
L MO
f E
hre
m - timedelta
c
M - datetime

O - object
c A
S - string : chaı̂ne + codage (utf-8 par exemple)

U - unicode string : chaı̂ne non-codée

...

H & H: Research and Training 16 / 72

 Types de données

Python

Pour connaitre le type d’un tableau, on utilise la propriété dtype

tab = np.array([1, 2, 3, 4, 5])

c
print(tab.dtype)
# affiche int32 (32 bits = 4 octets)
E LHI
U
L MO
f E
c hre
c A

H & H: Research and Training 17 / 72

 Types de données

Python

Pour connaitre le type d’un tableau, on utilise la propriété dtype

tab = np.array([1, 2, 3, 4, 5])

c
print(tab.dtype)
# affiche int32 (32 bits = 4 octets)
E LHI
U
L MO
f E
red’octets
c h
Pour préciser le nombre
c A 2, 3, 4, 5], dtype=’i8’)
tab = np.array([1,
print(tab.dtype)

# affiche int64

H & H: Research and Training 17 / 72

 Types de données

On peut aussi choisir un autre type

tab = np.array([1, 2, 3, 4, 5], dtype=’S’)

print(tab.dtype)
# affiche |S1

c
E LHI
U
L MO
f E
c hre
c A

H & H: Research and Training 18 / 72

 Types de données

On peut aussi choisir un autre type

tab = np.array([1, 2, 3, 4, 5], dtype=’S’)

print(tab.dtype)
# affiche |S1

c
Ou en utilisant la méthode astype

E LHI
tab = np.array([1, 2, 3, 4, 5])
U
MO
strings = tab.astype(’S’)

print(strings.dtype)
f E L
# affiche |S11
c hre
c A

H & H: Research and Training 18 / 72

 Types de données

On peut aussi choisir un autre type

tab = np.array([1, 2, 3, 4, 5], dtype=’S’)

print(tab.dtype)
# affiche |S1

c
Ou en utilisant la méthode astype

E LHI
tab = np.array([1, 2, 3, 4, 5])
U
MO
strings = tab.astype(’S’)

print(strings.dtype)
f E L
# affiche |S11
c hre
c A
Ou
tab = np.array([1, 2, 3, 4, 5])
strings = tab.astype(str)

print(strings.dtype)
# affiche |U11

H & H: Research and Training 18 / 72

 Types de données

Python

I c
Remarques
H
L être convertie.
Epeut
O
Une exception sera levée si une valeurUne
L M
r e Epeut préciser la taille sont i, u, f, S et
Les types pour lesquelsf on
U.
A ch
c

H & H: Research and Training 19 / 72

 Génération de valeurs arange

Pour générer 15 valeurs incrémentales pour un tableau à une dimension

t = np.arange(15)

print(t)
# affiche [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]

c
E LHI
U
L MO
f E
c hre
c A

H & H: Research and Training 20 / 72

 Génération de valeurs arange

Pour générer 15 valeurs incrémentales pour un tableau à une dimension

t = np.arange(15)

print(t)
# affiche [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]

c
arange([start, ]stop, [step, ]dtype=None)
E LHI
U
Valeur par défaut pour start est 0
L MO
f E
hre
Valeur par défaut pour step est 1

c
c A

H & H: Research and Training 20 / 72

 Génération de valeurs arange

Pour générer 15 valeurs incrémentales pour un tableau à une dimension

t = np.arange(15)

print(t)
# affiche [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]

c
arange([start, ]stop, [step, ]dtype=None)
E LHI
U
Valeur par défaut pour start est 0
L MO
f E
hre
Valeur par défaut pour step est 1

c
c A
Pour générer 15 valeurs incrémentales commençant de 1

t = np.arange(1, 16, 1)

print(t)
# affiche [ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15]

H & H: Research and Training 20 / 72

 Génération de valeurs reshape

Pour générer 15 valeurs incrémentales pour un tableau à plusieurs dimensions (ici 2)

t2 = np.arange(1, 16, 1).reshape(3, 5)

print(t2)
# affiche [[ 1 2 3 4 5] [ 6 7 8 9 10] [11 12 13 14 15]]

c
E LHI
U
L MO
f E
c hre
c A

H & H: Research and Training 21 / 72

 Génération de valeurs reshape

Pour générer 15 valeurs incrémentales pour un tableau à plusieurs dimensions (ici 2)

t2 = np.arange(1, 16, 1).reshape(3, 5)

print(t2)
# affiche [[ 1 2 3 4 5] [ 6 7 8 9 10] [11 12 13 14 15]]

c
HI
Pour générer 12 valeurs incrémentales pour un tableau à trois dimensions
t3 = np.arange(1, 13, 1).reshape(3, 2, 2)
U E L
print(t3)
L MO
# affiche [[[ 1 2] [ 3
f E
4]] [[ 5 6] [ 7 8]] [[ 9 10] [11 12]]]

c hre
c A

H & H: Research and Training 21 / 72

 Génération de valeurs reshape

Pour générer 15 valeurs incrémentales pour un tableau à plusieurs dimensions (ici 2)

t2 = np.arange(1, 16, 1).reshape(3, 5)

print(t2)
# affiche [[ 1 2 3 4 5] [ 6 7 8 9 10] [11 12 13 14 15]]

c
HI
Pour générer 12 valeurs incrémentales pour un tableau à trois dimensions
t3 = np.arange(1, 13, 1).reshape(3, 2, 2)
U E L
print(t3)
L MO
# affiche [[[ 1 2] [ 3
f E
4]] [[ 5 6] [ 7 8]] [[ 9 10] [11 12]]]

c hre
c A
Si les valeurs passées pour les paramètres ne permettent pas de créer le tableau, une
exception sera levée
t3 = np.arange(1, 13, 1).reshape(3, 2, 3)

print(t3)
# affiche ValueError: cannot reshape array of size 12 into shape
(3,2,3)

H & H: Research and Training 21 / 72

 Génération de valeurs reshape

Python
La méthode reshape() accepte aussi comme paramètre un tableau de
dimension différente

t = np.arange(1, 13, 1)
t3 = t.reshape(3, 2, -1)

I c
print(t3)
# affiche [[[ 1 H
EL [[ 9 10] [11
2] [ 3 4]] [[ 5 6] [ 7 8]]
U
MO
12]]]

fE L
h r e
c Ac

H & H: Research and Training 22 / 72

 Génération de valeurs reshape

Python
La méthode reshape() accepte aussi comme paramètre un tableau de
dimension différente

t = np.arange(1, 13, 1)
t3 = t.reshape(3, 2, -1)

I c
print(t3)
# affiche [[[ 1 H
EL [[ 9 10] [11
2] [ 3 4]] [[ 5 6] [ 7 8]]
U
MO
12]]]

fE L
c h r e
c A la valeur -1 (une seule fois) pour que NumPy calcule le
On peut aussi utiliser
nombre manquant

t3 = np.arange(1, 13, 1).reshape(3, 2, -1)

print(t3)
# affiche [[[ 1 2] [ 3 4]] [[ 5 6] [ 7 8]] [[ 9 10] [11
12]]]

H & H: Research and Training 22 / 72

 Génération de valeurs reshape

Python

reshape(-1) permet de convertir un tableau quelle que soit sa

I c
dimension en un tableau d’une seule dimension
EL H
O U
t3 = np.arange(1, 13, 1).reshape(3, 2, -1)
t = t3.reshape(-1)
L M
ref E
print(t) c h
# affichec [A1 2 3 4 5 6 7 8 9 10 11 12]

H & H: Research and Training 23 / 72

 Génération de valeurs zeros

Python
Pour créer un tableau et l’initialiser avec des zéros (réels)
zeros = np.zeros(3)

print(zeros)
# affiche [ 0. 0. 0.]
c
E LHI
U
L MO
f E
c hre
c A

H & H: Research and Training 24 / 72

 Génération de valeurs zeros

Python
Pour créer un tableau et l’initialiser avec des zéros (réels)
zeros = np.zeros(3)

print(zeros)
# affiche [ 0. 0. 0.]
c
E LHI
U
Pour créer un tableau et l’initialiser avec des zéros (entiers)
zeros = np.zeros(3, dtype=np.int32)
L MO
f E
print(zeros)
c hre
c A
# affiche [ 0 0 0]

H & H: Research and Training 24 / 72

 Génération de valeurs zeros

Python
Pour créer un tableau et l’initialiser avec des zéros (réels)
zeros = np.zeros(3)

print(zeros)
# affiche [ 0. 0. 0.]
c
E LHI
U
Pour créer un tableau et l’initialiser avec des zéros (entiers)
zeros = np.zeros(3, dtype=np.int32)
L MO
f E
print(zeros)
c hre
c A
# affiche [ 0 0 0]

Pour créer un tableau de zéros à deux dimensions (ou plus)

zeros = np.zeros((3,2), dtype=np.int32)

print(zeros)
# affiche [[0 0] [0 0] [0 0]]

H & H: Research and Training 24 / 72

 Génération de valeurs ones

Python

c
ones
E LHI
OU
fonctionne exactement comme zeros
M
retourne un tableau def1 E
L
c h re
c A

H & H: Research and Training 25 / 72

 Génération de valeurs identity

Python

Pour généré un tableau identité (au sens matrice carrée)

c
HI
iden = np.identity(2)

U E L
MO
print(iden)
# affiche
f E L
hre
# [
c
c A
# [1. 0.]
# [0. 1.]
# ]

H & H: Research and Training 26 / 72

 Génération de valeurs eye

Python

identity est un cas particulier de eye

c
HI
oeil = np.eye(2)

U E L
MO
print(oeil)
# affiche
f E L
hre
# [
c
c A
# [1. 0.]
# [0. 1.]
# ]

H & H: Research and Training 27 / 72

 Génération de valeurs eye

Python

eye permet de générer aussi des matrices non-carrées

c
HI
oeil = np.eye(2, 3)

U E L
MO
print(oeil)
# affiche
f E L
hre
# [
c
c A
# [1. 0. 0.]
# [0. 1. 0.]
# ]

H & H: Research and Training 28 / 72

 Génération de valeurs eye

Python

eye permet aussi de faire une translation de la diagonale

oeil = np.eye(3, 3, 1)
c
E LHI
print(oeil)
U
# affiche
L MO
# [
f E
# [0. 1. 0.]
c hre
# [0. 0. 1.]
# [0. 0. 0.]
c A
# ]

H & H: Research and Training 29 / 72

 Génération de valeurs fromfunction

Python

Pour générer les valeurs d’un tableau à partir d’une fonction lambda
fonction = np.fromfunction(lambda i, j: i + j, (3, 2)) c
E LHI
print(fonction)
U
# affiche
L MO
# [
f E
# [0. 1.]
c hre
c A
# [1. 2.]
# [2. 3.]
# ]

H & H: Research and Training 30 / 72

 Accès aux éléments d’un ndarray

Pour accéder au premier élément d’un tableau d’une dimension

tab = np.array([1, 2, 3, 4, 5])

print(tab[0])
# affiche 1

c
E LHI
U
L MO
f E
c hre
c A

H & H: Research and Training 31 / 72

 Accès aux éléments d’un ndarray

Pour accéder au premier élément d’un tableau d’une dimension

tab = np.array([1, 2, 3, 4, 5])

print(tab[0])
# affiche 1

c
dimensions
E LHI
Pour accéder au deuxième élément de la deuxième dimension d’un tableau à deux

U
tab2 = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])
L MO
f E
hre
print(tab2[0, 1])
# affiche 2
c
c A

H & H: Research and Training 31 / 72

 Accès aux éléments d’un ndarray

Pour accéder au premier élément d’un tableau d’une dimension

tab = np.array([1, 2, 3, 4, 5])

print(tab[0])
# affiche 1

c
dimensions
E LHI
Pour accéder au deuxième élément de la deuxième dimension d’un tableau à deux

U
tab2 = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])
L MO
f E
hre
print(tab2[0, 1])
# affiche 2
c
c A
Pour accéder au deuxième élément du premier tableau défini dans le deuxième tableau

tab3 = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])

print(tab3[1, 0, 1])
# affiche 8

H & H: Research and Training 31 / 72

 Accès aux éléments d’un ndarray

Python

Exemples avec des valeurs négatives

tab = np.array([1, 2, 3, 4, 5])

print(tab[-1])
I c
# affiche 5
EL H
O U
tab2 = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])
L M
print(tab2[-1, -3])
h r e fE
# affiche 8
A c
c
tab3 = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11,
12]]])

print(tab3[1, 0, -2])
# affiche 8

H & H: Research and Training 32 / 72

 Extraction d’un sous-tableau

Python

Démarche
c
HI
Pour extraire un sous tableau, on utilise l’opérateur
[deb:fin:pas] ou [deb:fin]
U E L
deb, fin et pas sont optionnelsMO
EL
defdeb est 0
La valeur par défautre
A c h
c par défaut de fin est la taille du tableau
La valeur
La valeur par défaut de pas est 1

H & H: Research and Training 33 / 72

 Extraction d’un sous-tableau

Python
Exemples

tab = np.array([1, 2, 3, 4, 5])

print(tab[1])
c
# affiche 2

E LHI
U
MO
print(tab[1:])
# affiche [2 3 4 5]

f E L
print(tab[1:4])
Ac
# affiche [2 3 4] hre
c
print(tab[1:4:2])
# affiche [2 4]

print(tab[1::2])
# affiche [2 4]

H & H: Research and Training 34 / 72

 Extraction d’un sous-tableau

Python
Exemples avec un tableau à deux dimensions

tab2 = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])

print(tab2[0:2, 2:5])
c
# affiche [[ 3 4 5] [ 8 9 10]]

E LHI
U
MO
print(tab2[0:2, 2])
# affiche [3 8]

f E L
print(tab2[1, 2:5])
Ac
# affiche [ 8 9 10] hre
c
print(tab2[0:2, 2:5:2])
# affiche [[ 3 5] [ 8 10]]

print(tab2[0:1, 1::2])
# affiche [[2 4]]

H & H: Research and Training 35 / 72

 Itération sur un ndarray for ... in

Python

Pour itérer sur un tableau à une dimension

tab = np.array([1, 2, 3, 4, 5])
c
for elt in tab:
E LHI
print(elt) U
L MO
f E
hre
# affiche
# 1 c
#
#
2
3
c A
# 4
# 5

H & H: Research and Training 36 / 72

 Itération sur un ndarray for ... in

Python

Itérer sur un tableau à deux dimensions avec une seule boucle

affiche
c
tab2 = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])
E LHI
U
for elt in tab2:
L MO
print(elt)
f E
c hre
# affiche
# [1 2 3 4 5]
c A
# [ 6 7 8 9 10]

H & H: Research and Training 37 / 72

 Itération sur un ndarray for ... in

Python
Pour accéder à tous les éléments

tab2 = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])

for elt in tab2:

c
HI
for sub_elt in elt:
print(sub_elt)

U E L
# affiche
L MO
# 1
f E
hre
# 2
# 3
c
#
#
4
5 c A
# 6
# 7
# 8
# 9
# 10

H & H: Research and Training 38 / 72

 Itération sur un ndarray for ... in

Python
Par analogie, pour un tableau à 3 dimensions, il faut 3 boucles for

tab3 = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])

for x in tab3:
for y in x:
c
HI
for z in y:
print(z)

U E L
MO
# affiche
#
#
1
2
f E L
# 3
c hre
c A
# 4
# 5
# 6
# 7
# 8
# 9
# 10
# 11
# 12

H & H: Research and Training 39 / 72

 Itération sur un ndarray nditer

Python
NumPy nous offre une syntaxe plus simple pour simplifier le code précédent quelle que
soit la dimension du tableau

tab3 = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])

for x in np.nditer(tab3):
c
print(x)

E LHI
# affiche
U
# 1
L MO
# 2
f E
hre
# 3
# 4
c
c A
# 5
# 6
# 7
# 8
# 9
# 10
# 11
# 12

H & H: Research and Training 40 / 72

 Itération sur un ndarray ndenumerate

Python

Pour avoir l’indice ainsi que la valeur, on utilise ndenumerate

tab = np.array([1, 2, 3, 4, 5])
c
for index, elt in np.ndenumerate(tab):
E LHI
print(index, elt) U
L MO
f E
hre
# affiche
# (0,) 1 c
#
#
(1,) 2
(2,) 3
c A
# (3,) 4
# (4,) 5

H & H: Research and Training 41 / 72

 Itération sur un ndarray ndenumerate

Python
Exemple avec un tableau à deux dimensions

tab2 = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])

for index, elt in np.ndenumerate(tab2):

c
print(index, elt)

E LHI
U
MO
# affiche
# (0, 0) 1
# (0, 1) 2
f E L
# (0, 2) 3
c hre
c A
# (0, 3) 4
# (0, 4) 5
# (1, 0) 6
# (1, 1) 7
# (1, 2) 8
# (1, 3) 9
# (1, 4) 10

H & H: Research and Training 42 / 72

 Opérations de base sur les ndarray Opérations arithmétiques

Python
Considérons les deux tableaux (à une dimension) suivants

a = np.arange(1, 6)
b = np.arange(1, 10, 2)

c
E LHI
U
L MO
f E
c hre
c A

H & H: Research and Training 43 / 72

 Opérations de base sur les ndarray Opérations arithmétiques

Python
Considérons les deux tableaux (à une dimension) suivants

a = np.arange(1, 6)
b = np.arange(1, 10, 2)

Il est possible d’effectuer les opérations arithmétiques suivantes

r = a + b
c
HI
print(a, b, r)
# affiche [1 2 3 4 5] [1 3 5 7 9] [ 2 5 8 11 14]

U E L
MO
r = a - b
print(a, b, r)

f E L
# affiche [1 2 3 4 5] [1 3 5 7 9] [ 0 -1 -2 -3 -4]

hre
r = a * b
print(a, b, r)

c
c A
# affiche [1 2 3 4 5] [1 3 5 7 9] [ 1 6 15 28 45]

r = a / b
print(a, b, r)
# affiche [1 2 3 4 5] [1 3 5 7 9] [1. 0.66666667 0.6 0.57142857 0.55555556]

r = a * 2
print(a, r)
# affiche [1 2 3 4 5] [ 2 4 6 8 10]

r = a ** 2
print(a, r)
# affiche 1 2 3 4 5] [ 1 4 9 16 25]

H & H: Research and Training 43 / 72

 Opérations de base sur les ndarray Opérations arithmétiques

Python

Les opérateurs suivants sont également applicables

c
a += 2
print(a) E LHI
U
# affiche [3 4 5 6 7]
L MO
f E
a *= 2
c hre
print(a)
# affiche [ 6 c A 8 10 12 14]

H & H: Research and Training 44 / 72

 Opérations de base sur les ndarray Opérations arithmétiques

Attention pour les tableaux à deux dimensions ou plus, le produit ne correspond pas au
produit de deux matrices
a2 = np.arange(1,5).reshape(2, 2)
b2 = np.arange(3,7).reshape(2, 2)

print (a2)
# affiche [[1 2] [3 4]]

c
HI
print (b2)
# affiche [[3 4] [5 6]]

U E L
print (a2 * b2)
# affiche [[ 3 8] [15 24]]
L MO
f E
c hre
c A

H & H: Research and Training 45 / 72

 Opérations de base sur les ndarray Opérations arithmétiques

Attention pour les tableaux à deux dimensions ou plus, le produit ne correspond pas au
produit de deux matrices
a2 = np.arange(1,5).reshape(2, 2)
b2 = np.arange(3,7).reshape(2, 2)

print (a2)
# affiche [[1 2] [3 4]]

c
HI
print (b2)
# affiche [[3 4] [5 6]]

U E L
print (a2 * b2)
# affiche [[ 3 8] [15 24]]
L MO
f E
c hre
c A
Pour faire le produit de deux matrices, on utilise l’opérateur @ (valable depuis Python 3.5)
print (a2)
# affiche [[1 2] [3 4]]

print (b2)
# affiche [[3 4] [5 6]]

print (a2 @ b2)

# affiche [[13 16] [29 36]]

H & H: Research and Training 45 / 72

 Opérations de base sur les ndarray Opérations arithmétiques

Python

Ou en appelant la méthode dot()

c
HI
print (a2)
# affiche [[1 2] [3 4]]
U E L
print (b2)
L MO
f E
hre
# affiche [[3 4] [5 6]]
c
print (a2.dot(b2)) c A
# affiche [[13 16] [29 36]]

H & H: Research and Training 46 / 72

 Opérations de base sur les ndarray Fonctions universelles

Python

c
HI
Il est possible d’appliquer une fonction sur tous les éléments
d’un tableau
U E L
print(np.sqrt((a)))
L MO
# affiche [1.
f E
1.41421356 1.73205081 2.
2.23606798]
c hre
c A

H & H: Research and Training 47 / 72

 Opérations de base sur les ndarray Fonctions universelles

Python
Autres fonctions

exp : retourne un tableau d’exponentielle

average : retourne la moyenne de tous les éléments d’un tableau

c
HI
sum : retourne la somme de tous les éléments d’un tableau

prod : retourne le produit de tous les éléments d’un tableau

U E L
MO
diff : retourne le tableau de différence entre chaque élément et son successeur

L
max : retourne le max d’un tableau
f E
c hre
maximum : retourne un tableau de tous les max en comparant les éléments ayant le même indice

c A
all : vérifie si tous les éléments d’un tableau respectent une condition

any : vérifie s’il existe un élément d’un tableau respectant une condition

where : retourne un tableau transformé selon la condition indiquée

sort : retourne un tableau trié quel que soit le type de ses données

...

H & H: Research and Training 48 / 72

 Opérations de base sur les ndarray Fonctions universelles

Python

Pour récupérer les indices des éléments pairs

c
HI
print(np.where(a % 2 == 0))
# affiche (array([1, 3], dtype=int32),)
U E L
L MO
f E
c hre
c A

H & H: Research and Training 49 / 72

 Opérations de base sur les ndarray Fonctions universelles

Python

Pour récupérer les indices des éléments pairs

c
HI
print(np.where(a % 2 == 0))
# affiche (array([1, 3], dtype=int32),)
U E L
L MO
f E
re pairs par 2 et les impairs par 3
h
Pour multiplier les éléments
c
c A % 2 == 0, a * 2, a * 3))
print(np.where(a
# affiche [ 3 4 9 8 15]

H & H: Research and Training 49 / 72

 Opérations de base sur les ndarray Fonctions universelles

Python

Pour récupérer le max d’un tableau)

print(np.max(a))
c
# affiche 5
E LHI
U
L MO
f E
c hre
c A

H & H: Research and Training 50 / 72

 Opérations de base sur les ndarray Fonctions universelles

Python

Pour récupérer le max d’un tableau)

print(np.max(a))
c
# affiche 5
E LHI
U
L MO
f E
hre
Pour récupérer le max de chaque couple d’éléments ayant le
Ac
même indice de deux tableaux différents
c
print(np.maximum(a, b))
# affiche [1 3 5 7 9]

H & H: Research and Training 50 / 72

 Opérations de base sur les ndarray Fonctions universelles

Python

Pour vérifie si tous les éléments d’un tableau vérifient une condition

print(np.all(a % 2 == 0))
# affiche False

c
E LHI
U
L MO
f E
c hre
c A

H & H: Research and Training 51 / 72

 Opérations de base sur les ndarray Fonctions universelles

Python

Pour vérifie si tous les éléments d’un tableau vérifient une condition

print(np.all(a % 2 == 0))
# affiche False

c
E LHI
U
MO
Pour vérifie s’il existe un élément du tableau vérifient une condition

print(np.any(a % 2 == 0))
f E L
hre
# affiche True

c
c A

H & H: Research and Training 51 / 72

 Opérations de base sur les ndarray Fonctions universelles

Python

Pour vérifie si tous les éléments d’un tableau vérifient une condition

print(np.all(a % 2 == 0))
# affiche False

c
E LHI
U
MO
Pour vérifie s’il existe un élément du tableau vérifient une condition

print(np.any(a % 2 == 0))
f E L
hre
# affiche True

c
c A
Pour retourner le tableau de différence entre chaque élément et son successeur

print(np.diff(b))
# affiche [2 2 2 2]

H & H: Research and Training 51 / 72

 Opérations de base sur les ndarray Opérations algébriques

Python
Considérons la matrice suivante

a2 = np.arange(1,5).reshape(2, 2)

print (a2)
# affiche [[1 2] [3 4]]
c
E LHI
U
L MO
f E
c hre
c A

H & H: Research and Training 52 / 72

 Opérations de base sur les ndarray Opérations algébriques

Python
Considérons la matrice suivante

a2 = np.arange(1,5).reshape(2, 2)

print (a2)
# affiche [[1 2] [3 4]]
c
E LHI
U
Pour déterminer le transposé de a2
L MO
f E
print (a2.transpose())
c hre
c A
# affiche [[1 3] [2 4]]

H & H: Research and Training 52 / 72

 Opérations de base sur les ndarray Opérations algébriques

Python
Considérons la matrice suivante

a2 = np.arange(1,5).reshape(2, 2)

print (a2)
# affiche [[1 2] [3 4]]
c
E LHI
U
Pour déterminer le transposé de a2
L MO
f E
print (a2.transpose())
c hre
c A
# affiche [[1 3] [2 4]]

Pour calculer la trace de a2

print (a2.trace())
# affiche 5

H & H: Research and Training 52 / 72

 Affectation, copie et vue

Python

Explication
I c
H
Affectation : permet d’avoir un deuxième nom pour le même
EL
tableau
U
Vue : permet de créer un deuxiL MO
ème tableau dont les valeurs
re
pointent sur les mêmes f E
valeurs du tableau précédent
c h
A de créer un tableau avec un espace mémoire
Copie :c permet
différent pour les valeurs

H & H: Research and Training 53 / 72

 Affectation, copie et vue Affectation

Python

Exemple avec l’affectation

a = np.arange(1, 4)

b = a c
E LHI
b[2] = 10
U
L MO
print(a)
f E
# affiche [ 1
c hre
2 10]

print(b is a) c A
# affiche True

print(id(a), id(b))
# affiche 58092304 58092304

H & H: Research and Training 54 / 72

 Affectation, copie et vue Vue

Python

Exemple avec view()

a = np.arange(1, 4)

c = a.view() c
E LHI
c[2] = 10
U
L MO
print(a)
f E
# affiche [ 1
c hre
2 10]

print(c is a) c A
# affiche False

print(id(a), id(c))
# affiche 51800928 51801488

H & H: Research and Training 55 / 72

 Affectation, copie et vue Vue

Python

c
E LHI
U
L MO
f E
c hre
c A

(Image de StackOverFlow)
H & H: Research and Training 56 / 72
 Affectation, copie et vue Copie

Python

Exemple avec copie()

a = np.arange(1, 4)

d = a.copy() c
E LHI
d[2] = 10
U
L MO
print(a)
f E
# affidhe [ 1
c hre
2 3]

print(d is a) c A
# affidhe False

print(id(a), id(d))
# affidhe 17984272 17984832

H & H: Research and Training 57 / 72

 Fusion de ndarray

Python

Considérons les deux tableaux (à deux dimensions) suivants

m1 = np.arange(1, 5).reshape(2, 2)
c
E LHI
print(m1)
U
# affiche [[1 2] [3 4]]
L MO
e f E
r9).reshape(2,
c h
m2 = np.arange(5, 2)

print(m2)
c A
# affiche [[5 6] [7 8]]

H & H: Research and Training 58 / 72

 Fusion de ndarray concatenate

Python
Pour fusionner les deux tableaux et obtenir un tableau à deux
dimensions contenant les éléments du premier tableau ensuite le
second
m = np.concatenate((m1, m2))
c
E LHI
OU
print(m)

L M
# affiche [[1 2] [3 4] [5 6] [7 8]]

h r e fE
c
c A

H & H: Research and Training 59 / 72

 Fusion de ndarray concatenate

Python
Pour fusionner les deux tableaux et obtenir un tableau à deux
dimensions contenant les éléments du premier tableau ensuite le
second
m = np.concatenate((m1, m2))
c
E L HI
OU
print(m)
# affiche [[1 2] [3 4] [5 6]
L M [7 8]]

h r e fE
Acest un raccourci du code suivant
cédent
Le code préc
m = np.concatenate((m1, m2), axis=0)

print(m)
# affiche [[1 2] [3 4] [5 6] [7 8]]

H & H: Research and Training 59 / 72

 Fusion de ndarray concatenate

Python

Pour fusionner les éléments de même indice ensemble

m = np.concatenate((m1, m2), axis=1)

c
print(m)
[3 4 7 8]] EL
HI
OU
# affiche [[1 2 5 6]
M
h re f EL
A c
c

H & H: Research and Training 60 / 72

 Fusion de ndarray concatenate

Python

Pour fusionner les éléments de même indice ensemble

m = np.concatenate((m1, m2), axis=1)

c
print(m)
[3 4 7 8]] EL
HI
OU
# affiche [[1 2 5 6]
M
h re f EL
c
Pour fusionner et obtenir un tableau à une seule dimension
A
c
m = np.concatenate((m1, m2), axis=None)

print(m)
# affiche [1 2 3 4 5 6 7 8]

H & H: Research and Training 60 / 72

 Fusion de ndarray stack

Python

Pour tout fusionner dans un nouveau tableau (de dimension 3)

m = np.stack((m1, m2), axis=0)

c
HI
print(m)
# affiche [[[1 2] [3 4]] [[5 6] [7 8]]]
U E L
L MO
f E
c hre
c A

H & H: Research and Training 61 / 72

 Fusion de ndarray stack

Python

Pour tout fusionner dans un nouveau tableau (de dimension 3)

m = np.stack((m1, m2), axis=0)

c
HI
print(m)
# affiche [[[1 2] [3 4]] [[5 6] [7 8]]]
U E L
L MO
f E
re de de même indice dans un tableau
h
Pour fusionner les éléments
c
ensemble
c A
m = np.stack((m1, m2), axis=1)

print(m)
# affiche [[[1 2] [5 6]] [[3 4] [7 8]]]

H & H: Research and Training 61 / 72

 Fusion de ndarray hstack

Python

Pour fusionner (horizontalement) les éléments de même indicec

ensemble (comme concatenate avec axis=1)
E LHI
U
m = np.hstack((m1, m2))
L MO
f E
print(m)
c hre
c A
# affiche [[1 2 5 6] [3 4 7 8]]

H & H: Research and Training 62 / 72

 Fusion de ndarray vstack

Python

Pour fusionner (verticalement) tous les éléments dans un seulc

tableau (comme concatenate avec axis=0)
E LHI
U
m = np.vstack((m1, m2))
L MO
f E
print(m)
c hre
c A
# affiche [[1 2] [3 4] [5 6] [7 8]]

H & H: Research and Training 63 / 72

 Fusion de ndarray dstack

Python

c
HI
Pour fusionner selon la profondeur
m = np.dstack((m1, m2))
U E L
L MO
print(m)
f E
c hre
# affiche [[[1 5] [2 6]] [[3 7] [4 8]]]
c A

H & H: Research and Training 64 / 72

 Fusion de ndarray block

Python

c
HI
Pour construire un nouveau tableau par bloc
m = np.block([m1, m2])
U E L
L MO
print(m)
f E
c hre
# affiche [[1 2 5 6] [3 4 7 8]]
c A

H & H: Research and Training 65 / 72

 Fusion de ndarray block

Python
Ou sous forme d’un tableau à plusieurs dimensions
m = np.block(
[
[m1, np.zeros((2, 2), dtype=np.int32)],
c
[np.ones(4, dtype=np.int32)],
E LHI
[np.zeros((2, 2), dtype=np.int32), m2]
U
]
L MO
)
f E
c hre
print(m)
# affiche
c[[1A2 0 0]
# [3 4 0 0]
# [1 1 1 1]
# [0 0 5 6]
# [0 0 7 8]]

H & H: Research and Training 66 / 72

 Décomposition array split

Python
Pour décomposer un tableau en plusieurs sous-tableaux, on peut
utiliser la méthode array split
t = np.arange(1, 11)

c
print (np.array_split(t, 2))
# affiche [
E LHI
U
#
#
array([1, 2, 3, 4, 5]),
array([ 6, 7, 8, 9, 10])
L MO
f E
hre
# ]
c
c A
print (np.array_split(t, 3))
# affiche [
# array([1, 2, 3, 4]),
# array([5, 6, 7]),
# array([ 8, 9, 10])
# ]

H & H: Research and Training 67 / 72

 Décomposition array split

Python

Exemple avec un tableau à deux dimensions

t2 = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12], [13, 14,
15], [16, 17, 18]])
c
print(np.array_split(t2, 3))
E LHI
# affiche [array([[1, 2, 3],
U
MO
# [4, 5, 6]]), array([[ 7, 8, 9],
#
# [16, 17, 18]])]
f E L
[10, 11, 12]]), array([[13, 14, 15],

c hre
c A
print(np.array_split(t2, 2))
# affiche [array([[1, 2, 3],
# [4, 5, 6],
# [7, 8, 9]]), array([[10, 11, 12],
# [13, 14, 15],
# [16, 17, 18]])]

H & H: Research and Training 68 / 72

 Décomposition split

Python

On peut aussi utiliser la méthode split qui lève une exception si la

taille du tableau n’est pas divisible par le paramètre
t = np.arange(1, 11)
c
E LHI
print (np.array_split(t, 2))
O U
# affiche [
L M
#
# array([ 6, 7, e8,
r E
array([1, 2, 3, 4, 5]),
f 9, 10])
# ]
A c h
c
print (np.array_split(t, 3))
# affiche ValueError: array split does not result in an
equal division

H & H: Research and Training 69 / 72

 Décomposition split

Python

I c
Remarque
E LH
U
MOhstack,vstack et dstack
Comme pour stack et ses variantes
L
r e f Eet dsplit
Il existe hsplit, vsplit
h
c
c A

H & H: Research and Training 70 / 72

 Filtres

Python

Pour filtrer les éléments impairs, on peut utiliser where (qui

retourne un tableau d’indices)
tab = np.array([1, 2, 3, 4, 5])
c
print(np.where(tab % 2 != 0))
E LHI
U
MO
# (array([0, 2, 4], dtype=int32),)

f E L
c hre
c A

H & H: Research and Training 71 / 72

 Filtres

Python

Pour filtrer les éléments impairs, on peut utiliser where (qui

retourne un tableau d’indices)
tab = np.array([1, 2, 3, 4, 5])
c
print(np.where(tab % 2 != 0))
E LHI
U
MO
# (array([0, 2, 4], dtype=int32),)

f E L
c hre
c A
Si on a besoin de valeurs, on peut définir un tableau de booléens
filtre = [True, False, True, False, True]

print(tab[filtre])
# affiche [1 3 5]

H & H: Research and Training 71 / 72

 Filtres

Python
On peut aussi utiliser where pour construire le filtre (tableau de
booléens)
filtre = np.where(tab % 2 != 0, True, False)
c
print(tab[filtre])
E LHI
# affiche [1 3 5]
U
# (array([0, 2, 4], dtype=int32),)
L MO
f E
c hre
c A

H & H: Research and Training 72 / 72

 Filtres

Python
On peut aussi utiliser where pour construire le filtre (tableau de
booléens)
filtre = np.where(tab % 2 != 0, True, False)
c
print(tab[filtre])
E LHI
# affiche [1 3 5]
U
# (array([0, 2, 4], dtype=int32),)
L MO
f E
c hre
Ou sans le where c A
filtre = tab % 2 != 0

print(tab[filtre])
# affiche [1 3 5]

H & H: Research and Training 72 / 72