Numpy est une bibliothèque puissante et efficace pour la manipulation de tableaux multidimensionnels (ou arrays) en Python. C’est un outil essentiel pour le calcul numérique, car il permet de gérer de grands ensembles de données et de réaliser des opérations mathématiques complexes de manière optimisée.
Voici un guide détaillé pour manipuler des tableaux avec Numpy.
Si vous n’avez pas encore installé Numpy, vous pouvez l’installer via pip
:
pip install numpy
Un tableau Numpy est similaire à une liste Python, mais il est optimisé pour les opérations mathématiques et la manipulation de grands ensembles de données.
import numpy as np
# Créer un tableau à partir d'une liste Python
arr = np.array([1, 2, 3, 4, 5])
print(arr)
# Créer un tableau 2D (matrice)
matrice = np.array([[1, 2], [3, 4], [5, 6]])
print(matrice)
# Tableau de zéros
zeros = np.zeros((3, 3))
# Tableau de uns
uns = np.ones((2, 4))
# Tableau de valeurs aléatoires
random_values = np.random.rand(3, 3)
# Tableau d'une séquence de nombres
range_values = np.arange(0, 10, 2) # De 0 à 10, pas de 2
arr = np.array([10, 20, 30, 40, 50])
# Accéder à un élément par index
print(arr[0]) # Premier élément (10)
print(arr[-1]) # Dernier élément (50)
# Accéder à un élément dans une matrice
mat = np.array([[1, 2], [3, 4], [5, 6]])
print(mat[1, 1]) # Accède à l'élément de la 2ème ligne, 2ème colonne (4)
# Extraire une sous-partie du tableau
sous_partie = arr[1:4] # Du 2ème au 4ème élément
print(sous_partie) # [20 30 40]
# Slicing sur une matrice
print(mat[0:2, 0:2]) # Extraire un sous-tableau
Les opérations sur les arrays Numpy sont réalisées de manière élément par élément (vectorisation), ce qui est très rapide et optimisé.
# Créer un tableau
arr = np.array([1, 2, 3, 4])
# Ajouter une valeur à tous les éléments
arr_plus_5 = arr + 5 # [6 7 8 9]
# Multiplier tous les éléments par 2
arr_times_2 = arr * 2 # [2 4 6 8]
# Calculer la racine carrée
arr_sqrt = np.sqrt(arr) # [1. 1.41 1.73 2.]
# Somme de tous les éléments
somme = arr.sum()
# Produit de tous les éléments
produit = arr.prod()
# Moyenne des éléments
moyenne = arr.mean()
# Maximum et minimum
max_value = arr.max()
min_value = arr.min()
# Additionner deux tableaux élément par élément
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
resultat = arr1 + arr2 # [5 7 9]
# Produit élément par élément
produit_element = arr1 * arr2 # [4 10 18]
# Reshape d'un tableau 1D en 2D
arr = np.array([1, 2, 3, 4, 5, 6])
arr_reshape = arr.reshape(2, 3) # Transforme en matrice 2x3
# Transposer une matrice (échanger lignes et colonnes)
matrice = np.array([[1, 2, 3], [4, 5, 6]])
transposee = matrice.T
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
# Concatenation de deux tableaux en un seul
concatene = np.concatenate((arr1, arr2)) # [1 2 3 4 5 6]
# Empiler des matrices verticalement
arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6]])
stacked = np.vstack((arr1, arr2)) # Matrice 3x2
arr = np.array([10, 20, 30, 40, 50])
# Filtrer les éléments supérieurs à 25
filtre = arr[arr > 25] # [30 40 50]
Dans Numpy, les valeurs manquantes sont représentées par np.nan
(Not a Number).
arr_nan = np.array([1, 2, np.nan, 4])
# Vérifier s'il y a des NaN
has_nan = np.isnan(arr_nan) # [False False True False]
# Remplacer les NaN par une valeur spécifique (exemple : 0)
arr_nan[np.isnan(arr_nan)] = 0
Numpy permet de générer facilement des nombres aléatoires.
# Générer un tableau de valeurs aléatoires uniformes entre 0 et 1
valeurs_aleatoires = np.random.rand(3, 3)
# Générer des nombres aléatoires entiers entre 0 et 10
aleatoires_entiers = np.random.randint(0, 10, size=(3, 3))
arr = np.array([1, 2, 3, 4, 5])
# Mélanger les éléments du tableau
np.random.shuffle(arr)
Vous pouvez réaliser des comparaisons élément par élément dans un tableau pour obtenir des résultats booléens (True/False).
arr = np.array([1, 2, 3, 4, 5])
# Vérifier si chaque élément est supérieur à 3
resultat = arr > 3 # [False False False True True]
# Extraire les éléments supérieurs à 3
elements_filtres = arr[arr > 3] # [4 5]
np.linspace(start, stop, num)
: Génère un tableau avec num
valeurs uniformément espacées entre start
et stop
.np.eye(n)
: Crée une matrice identité de taille n x n
.np.dot(a, b)
: Produit matriciel entre deux matrices.np.argmax(arr)
: Renvoie l’indice du plus grand élément du tableau.Numpy est une bibliothèque extrêmement puissante et polyvalente pour manipuler des tableaux multidimensionnels et effectuer des calculs numériques en Python. Ce guide couvre les bases de la manipulation des tableaux, les opérations mathématiques, la gestion des dimensions et des valeurs manquantes, ainsi que des opérations plus avancées comme le filtrage, la concaténation, et l’utilisation des tableaux aléatoires.
Voici quelques cas particuliers d’utilisation des tableaux Numpy pour des manipulations avancées ou spécifiques qui peuvent être utiles dans différentes situations.
Remplir uniquement la diagonale principale d’une matrice avec une valeur spécifique est une opération courante.
import numpy as np
# Créer une matrice 4x4 de zéros
matrice = np.zeros((4, 4))
# Remplir la diagonale avec 1
np.fill_diagonal(matrice, 1)
print(matrice)
[[1. 0. 0. 0.]
[0. 1. 0. 0.]
[0. 0. 1. 0.]
[0. 0. 0. 1.]]
La normalisation consiste à mettre tous les éléments d’un tableau entre 0 et 1 en fonction de leurs valeurs maximales et minimales.
arr = np.array([10, 20, 30, 40, 50])
# Normaliser les valeurs entre 0 et 1
arr_normalise = (arr - arr.min()) / (arr.max() - arr.min())
print(arr_normalise)
[0. 0.25 0.5 0.75 1. ]
Si vous avez un tableau avec des répétitions de valeurs, vous pouvez compter le nombre d’occurrences d’une valeur spécifique.
arr = np.array([1, 2, 3, 2, 4, 2, 5])
# Compter le nombre d'occurrences de la valeur 2
nombre_de_2 = np.count_nonzero(arr == 2)
print(nombre_de_2)
3
Vous pouvez appliquer une fonction personnalisée sur chaque élément du tableau grâce à np.vectorize()
.
# Fonction pour calculer la racine carrée
def carre(x):
return x ** 2
# Créer un tableau
arr = np.array([1, 2, 3, 4, 5])
# Appliquer la fonction sur chaque élément
carres = np.vectorize(carre)(arr)
print(carres)
[ 1 4 9 16 25]
Dans certains cas, vous aurez besoin de connaître l’indice (ou les indices) des valeurs maximales ou minimales dans un tableau.
arr = np.array([10, 25, 8, 50, 42])
# Trouver l'indice de la valeur maximale
indice_max = np.argmax(arr)
print(indice_max)
3 # (indice de la valeur 50)
Le broadcasting est une fonctionnalité puissante de Numpy qui permet d’effectuer des opérations entre des tableaux de tailles différentes de manière efficace.
# Créer un tableau 2D
matrice = np.array([[1, 2, 3], [4, 5, 6]])
# Créer un tableau 1D
ligne = np.array([10, 20, 30])
# Ajouter le tableau 1D à chaque ligne du tableau 2D (broadcasting)
resultat = matrice + ligne
print(resultat)
[[11 22 33]
[14 25 36]]
Si vous avez un tableau avec des valeurs répétées et que vous voulez extraire les valeurs uniques, vous pouvez utiliser np.unique()
.
arr = np.array([1, 2, 3, 2, 4, 1, 5])
# Extraire les valeurs uniques
valeurs_uniques = np.unique(arr)
print(valeurs_uniques)
[1 2 3 4 5]
Il peut être utile d’empiler plusieurs tableaux soit horizontalement (en ajoutant des colonnes), soit verticalement (en ajoutant des lignes).
arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6]])
# Empiler verticalement
empile_vert = np.vstack((arr1, arr2))
print(empile_vert)
[[1 2]
[3 4]
[5 6]]
arr3 = np.array([[7], [8]])
# Empiler horizontalement
empile_horiz = np.hstack((arr1, arr3))
print(empile_horiz)
[[1 2 7]
[3 4 8]]
Parfois, vous avez un tableau multidimensionnel et vous avez besoin de le transformer en un tableau à une dimension.
matrice = np.array([[1, 2, 3], [4, 5, 6]])
# Transformer en tableau 1D
flattened = matrice.flatten()
print(flattened)
[1 2 3 4 5 6]
Numpy permet de calculer la covariance et la corrélation entre des ensembles de données stockés dans des tableaux.
# Créer deux ensembles de données
x = np.array([2, 4, 6, 8])
y = np.array([1, 3, 5, 7])
# Calculer la matrice de covariance
covariance = np.cov(x, y)
print(covariance)
[[6.66666667 6.66666667]
[6.66666667 6.66666667]]
# Calculer la matrice de corrélation
correlation = np.corrcoef(x, y)
print(correlation)
[[1. 1.]
[1. 1.]]
Ces cas particuliers montrent la puissance et la flexibilité de Numpy dans la manipulation des tableaux. Que ce soit pour travailler avec des matrices, manipuler des valeurs spécifiques, gérer des dimensions différentes ou réaliser des calculs statistiques avancés, Numpy offre des outils adaptés et optimisés pour chaque besoin.
Le commentaire composé est un exercice littéraire qui consiste à analyser un texte en respectant…
Les adjectifs liés en français sont les adjectifs qui s’accordent en genre (masculin/féminin) et en…
Voici une liste étendue de mots piégeux en français, avec leurs genres et des explications…
Apprendre à distinguer le genre des noms en français peut être un véritable défi pour…
1. Informations Générales Nom complet : Charles-Louis de Secondat, Baron de La Brède et de…
Introduction L’Art de la Guerre (Dell’arte della guerra), publié en 1521, est l’un des ouvrages…
This website uses cookies.