Principes de base des tableaux Numpy

Les tableaux NumPy (arrays) sont conçus pour le calcul numérique et scientifique. Ils sont donc idéaux pour l’analyse de données, le Machine Learning et les opérations mathématiques.

Comprendre les tableaux NumPy #

Dans un tableau NumPy, tous les éléments doivent avoir le même type de données. Cette homogénéité est l’une des caractéristiques qui rendent les tableaux efficaces et bien adaptés au calcul numérique :

• Efficacité : NumPy est implémenté en C (et en Fortran pour certaines parties), ce qui rend les opérations sur les grands tableaux très rapides par rapport à du code Python équivalent ;
• Puissance mathématique : NumPy offre un large éventail de fonctions pour l’algèbre linéaire, les statistiques et les calculs mathématiques complexes ;
• Interopérabilité : NumPy s’intègre naturellement aux autres bibliothèques Python, comme Pandas, SciPy et Matplotlib.

Créer des tableaux NumPy #

NumPy propose plusieurs fonctions pour créer des tableaux selon tes besoins : tableaux de zéros, de uns, de valeurs régulièrement espacées, etc. Voici les plus utilisées :

• np.array crée un tableau à partir d’une liste ;
• np.linspace crée des valeurs régulièrement espacées sur un intervalle donné : np.linspace(start, stop, num, endpoint=True, retstep=False) ;
• np.logspace crée des valeurs régulièrement espacées sur une échelle logarithmique : np.logspace(start, stop, num=50, base=10.0, dtype=None) ;
• np.arange crée des valeurs espacées d’un pas donné entre start et stop (exclu) : np.arange(start, stop, step, dtype=None) ;
• np.zeros crée un tableau de zéros de la forme donnée : np.zeros(shape, dtype=None) ;
• np.ones crée un tableau de uns de la forme donnée : np.ones(shape, dtype=None) ;
• np.zeros_like crée un tableau de zéros avec la même forme et le même type qu’un tableau existant ;
• np.ones_like fait la même chose avec des uns.

import numpy as np

# Tableau d'entiers avec un dtype explicite (pas toujours nécessaire)
int_array = np.array([1, 2, 3], dtype=np.int32)
print(int_array)

# Tableau 2D
original_array = np.array([[1, 2, 3],
                           [4, 5, 6]])
print(original_array)

# 10 valeurs également espacées de 0 à 1
linspace_arr = np.linspace(0, 1, 10)
print(linspace_arr)

# 5 valeurs espacées logarithmiquement de 10^0 à 10^2 (1 à 100)
logspace_arr = np.logspace(0, 2, 5)
print(logspace_arr)

# Valeurs de 0 à 9 (exclu) avec un pas de 2
arange_arr = np.arange(0, 10, 2)
print(arange_arr)

# Tableau 3x3 rempli de zéros
zeros_arr = np.zeros((3, 3))
print(zeros_arr)

# Tableau 2x4 rempli de uns
ones_arr = np.ones((2, 4))
print(ones_arr)

# Zéros avec la même forme et le même type que original_array
zeros_array = np.zeros_like(original_array)
print(zeros_array)

# Uns avec la même forme et le même type que original_array
ones_array = np.ones_like(original_array)
print(ones_array)

import numpy as np

# Tableau d'entiers avec un dtype explicite (pas toujours nécessaire)
int_array = np.array([1, 2, 3], dtype=np.int32)
print(int_array)

# Tableau 2D
original_array = np.array([[1, 2, 3],
                           [4, 5, 6]])
print(original_array)

# 10 valeurs également espacées de 0 à 1
linspace_arr = np.linspace(0, 1, 10)
print(linspace_arr)

# 5 valeurs espacées logarithmiquement de 10^0 à 10^2 (1 à 100)
logspace_arr = np.logspace(0, 2, 5)
print(logspace_arr)

# Valeurs de 0 à 9 (exclu) avec un pas de 2
arange_arr = np.arange(0, 10, 2)
print(arange_arr)

# Tableau 3x3 rempli de zéros
zeros_arr = np.zeros((3, 3))
print(zeros_arr)

# Tableau 2x4 rempli de uns
ones_arr = np.ones((2, 4))
print(ones_arr)

# Zéros avec la même forme et le même type que original_array
zeros_array = np.zeros_like(original_array)
print(zeros_array)

# Uns avec la même forme et le même type que original_array
ones_array = np.ones_like(original_array)
print(ones_array)

[1 2 3]
[[1 2 3]
 [4 5 6]]
[0.         0.11111111 0.22222222 0.33333333 0.44444444 0.55555556
 0.66666667 0.77777778 0.88888889 1.        ]
[  1.           3.16227766  10.          31.6227766  100.        ]
[0 2 4 6 8]
[[0. 0. 0.]
 [0. 0. 0.]
 [0. 0. 0.]]
[[1. 1. 1. 1.]
 [1. 1. 1. 1.]]
[[0 0 0]
 [0 0 0]]
[[1 1 1]
 [1 1 1]]

[1 2 3]
[[1 2 3]
 [4 5 6]]
[0.         0.11111111 0.22222222 0.33333333 0.44444444 0.55555556
 0.66666667 0.77777778 0.88888889 1.        ]
[  1.           3.16227766  10.          31.6227766  100.        ]
[0 2 4 6 8]
[[0. 0. 0.]
 [0. 0. 0.]
 [0. 0. 0.]]
[[1. 1. 1. 1.]
 [1. 1. 1. 1.]]
[[0 0 0]
 [0 0 0]]
[[1 1 1]
 [1 1 1]]

Ces tableaux se manipulent ensuite avec des fonctions d’inspection. La suite de la série porte sur l’inspection de tableaux NumPy. Documentation : création de tableaux avec NumPy.

Pour aller plus loin, consulte aussi notre guide des 45 méthodes NumPy.

Tu sais créer un tableau NumPy. Entraîne-toi maintenant sur de vrais jeux de données. Le cours Analyse et visualisation de données enchaîne NumPy, pandas et Matplotlib avec des exercices que tu écris et exécutes dans ton navigateur.