NumPy Tutoriel PDF

numpy 1. Installation Pour installer NumPy, vous pouvez utiliser pip : pip install numpy 2. Introduction à NumPy NumPy (Numerical Python) est une bibliothèque qui fournit un objet tableau ap- pelé ndarray. Il est beaucoup plus performant que les listes Python classiques pour des opérations numériqu...

numpy 1. Installation Pour installer NumPy, vous pouvez utiliser pip : pip install numpy 2. Introduction à NumPy NumPy (Numerical Python) est une bibliothèque qui fournit un objet tableau ap- pelé ndarray. Il est beaucoup plus performant que les listes Python classiques pour des opérations numériques complexes, en particulier pour les grandes quan- tités de données. 2.1. Importation de NumPy Avant d’utiliser NumPy, vous devez l’importer : import numpy as np 2.2. Tableau de base (ndarray) Le cœur de NumPy est l’objet ndarray, un tableau N-dimensionnel. Contraire- ment aux listes Python, il est homogène, ce qui signifie que tous ses éléments sont du même type (généralement des nombres). 2.3. Création d’un tableau NumPy A partir d’une liste Python # Création d'un tableau 1D array_1d = np.array([1, 2, 3, 4]) # Création d'un tableau 2D array_2d = np.array([[1, 2, 3], [4, 5, 6]]) Création de tableaux avec des fonctions NumPy NumPy offre des fonctions pratiques pour créer des tableaux spécifiques. Tableau de zéros : zeros_array = np.zeros((3, 4)) # Tableau 3x4 rempli de zéros Tableau de uns : ones_array = np.ones((2, 3)) # Tableau 2x3 rempli de uns Tableau avec une valeur constante : full_array = np.full((2, 2), 7) # Tableau 2x2 rempli de 7 1  Tableau identité (matrice identité) : identity_matrix = np.eye(4) # Matrice identité 4x4 Tableau vide : empty_array = np.empty((3, 2)) # Crée un tableau vide avec des valeurs aléatoires en mémoir Vecteur régulier (linspace) : linspace_array = np.linspace(0, 1, 5) # 5 valeurs également espacées entre 0 et 1 Générer des nombres aléatoires : random_array = np.random.rand(3, 2) # Tableau 3x2 avec des nombres aléatoires entre 0 et 1 3. Propriétés d’un tableau Chaque tableau a des propriétés qui peuvent être consultées : Forme du tableau (shape) : donne les dimensions du tableau array_2d.shape # (2, 3) Nombre total d’éléments : array_2d.size # 6 Type des éléments (dtype) : array_1d.dtype # dtype('int64') Dimensions du tableau (ndim) : array_2d.ndim # 2 4. Indexation et Slicing L’indexation et le slicing dans NumPy sont similaires à ceux des listes Python, mais avec des capacités étendues pour les tableaux multidimensionnels. 4.1. Indexation simple element = array_2d[0, 1] # Accéder à l'élément sur la première ligne, deuxième colonne 4.2. Slicing Vous pouvez extraire des sous-ensembles de tableaux à l’aide du slicing. sub_array = array_2d[0, :2] # Première ligne, premières 2 colonnes 4.3. Masquage (boolean masking) mask = array_1d > 2 # Crée un masque booléen filtered_array = array_1d[mask] # Tableau filtré avec les éléments > 2 2 5. Opérations de base NumPy supporte un large éventail d’opérations arithmétiques, logiques et autres directement sur les tableaux. 5.1. Opérations élémentaires Les opérations arithmétiques sont effectuées élément par élément : array = np.array([1, 2, 3, 4]) # Addition result = array + 2 # [3, 4, 5, 6] # Multiplication result = array * 2 # [2, 4, 6, 8] # Puissance result = array ** 2 # [1, 4, 9, 16] 5.2. Opérations entre tableaux a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) # Addition élément par élément result = a + b # [5, 7, 9] 5.3. Fonctions universelles (ufunc) NumPy offre des fonctions mathématiques avancées appelées ufunc qui opèrent élément par élément. # Racine carrée result = np.sqrt(array) # [1.0, 1.41, 1.73, 2.0] # Somme de tous les éléments total_sum = np.sum(array) # Moyenne des éléments mean_value = np.mean(array) # Produit de tous les éléments product = np.prod(array) 3 6. Manipulation de tableaux 6.1. Redimensionnement (reshape) Vous pouvez changer la forme d’un tableau sans changer ses données. reshaped = array_2d.reshape((3, 2)) # Change de (2, 3) à (3, 2) 6.2. Concatenation NumPy permet de concaténer plusieurs tableaux : # Concatenation horizontale concat_array = np.hstack((a, b)) # [1, 2, 3, 4, 5, 6] # Concatenation verticale concat_array = np.vstack((a, b)) # [[1, 2, 3], [4, 5, 6]] 6.3. Transposition La transposition échange les axes d’un tableau. transposed = array_2d.T # Transpose le tableau 2D 7. Algebra linéaire NumPy contient un module pour l’algèbre linéaire appelé numpy.linalg. 7.1. Produit matriciel A = np.array([[1, 2], [3, 4]]) B = np.array([[5, 6], [7, 8]]) product = np.dot(A, B) # Produit matriciel 7.2. Déterminant det = np.linalg.det(A) # Calcul du déterminant 7.3. Inversion de matrice inv = np.linalg.inv(A) # Inverse de la matrice 7.4. Valeurs propres et vecteurs propres eigenvalues, eigenvectors = np.linalg.eig(A) 4 8. Gestion des erreurs et des valeurs manquantes NumPy peut gérer des valeurs infinies et manquantes avec np.nan et np.inf. # Créer un tableau avec des NaN nan_array = np.array([1, np.nan, 3, np.nan]) # Tester si les éléments sont NaN is_nan = np.isnan(nan_array) # Ignorer les NaN lors des calculs mean_without_nan = np.nanmean(nan_array) # Moyenne en ignorant les NaN 9. Différences avec les listes Python Vitesse : Les opérations NumPy sont beaucoup plus rapides que les opéra- tions de liste Python. Mémoire : NumPy utilise moins de mémoire que les listes Python pour de grandes quantités de données. Opérations vectorisées : Les opérations sont effectuées sans boucles explicites, directement sur les tableaux. 5