Création de tableaux NumPy de dimensions différentes

Dans le premier chapitre, nous avons construit un simple tableau 1D, tu te souviens ?

Dans ce chapitre, nous allons construire des tableaux de différentes dimensions.

Chaque dimension peut être appelée par différents termes tels que scalaire, vecteur, matrice et tenseur.

Pour être plus précis,

• 0D – Scalar
• 1D – Vector
• 2D – Matrix
• 3D ou plus – Tensor

Codons-les un par un :

Scalar (0D)

Un scalaire n’a pas de dimensions. Il s’agit simplement d’une valeur unique.

d0 = np.array(6)
d0, d0.ndim

# (array(6), 0)

Dans le chapitre précédent, nous avons parlé de l’attribut dtype qui était utilisé pour connaître le type de données d’un tableau. De même, l’attribut ndim utilisé dans le code ci-dessus permet de connaître le nombre de dimensions d’un tableau.

La valeur de d0 est array(6).

La valeur de d0.ndim est 0 car il s’agit d’un scalaire.

(Tu n’as pas à vous préoccuper outre mesure des attributs, nous les aborderons dans le chapitre suivant).

Vector (1D)

d1 = np.array([1, 2, 3, 4])
d1, d1.ndim

# (array([1, 2, 3, 4]), 1)

Un vecteur est simplement une liste de nombres dans un tableau à une dimension. On peut l’assimiler à une colonne unique sans ligne.

Matrix (2D)

d2 = np.array([[1, 2, 3, 4],
               [5, 6, 7, 8]])
d2, d2.ndim

"""(array([[1, 2, 3, 4],
           [5, 6, 7, 8]]), 2) 
"""

Lorsqu’un tableau comporte à la fois des lignes et des colonnes, il est considéré comme un tableau 2D ou une matrice.

(Si tu as travaillé sur un projet de Machine Learning, tu sais que lors de la division de l’ensemble de données, nous les divisons en deux parties, à savoir les features et les labels. Les features auront plusieurs colonnes et lignes exactement comme une matrice mais les labels n’auront qu’une seule colonne comme un vecteur).

Le paragraphe ci-dessus n’entre pas dans le cadre de ce cours, donc si tu n’as rien compris, tu n’as pas à t’inquiéter.

Garde simplement à l’esprit qu’une matrice a des lignes et des colonnes alors qu’un vecteur n’a qu’une seule colonne.

Tensor (3D)

Tout ce qui est supérieur à 2 dimensions peut être appelé tenseur.

d3 = np.array([[[1, 2, 3],
                [4, 5, 6]],
               [[7, 8, 9],
                [10, 11, 12]]])
d3, d3.ndim

"""(array([[[ 1,  2,  3],
            [ 4,  5,  6]],

           [[ 7,  8,  9],
            [10, 11, 12]]]), 3) 
"""

Tensor (4D)

d4 = np.array([[[[1, 2], [3, 4]], [[5, 6], [7, 8]]],
               [[[9, 10], [11, 12]], [[13, 14], [15, 16]]]])
d4, d4.ndim

"""(array([[[[ 1,  2],
             [ 3,  4]],
 
            [[ 5,  6],
             [ 7,  8]]],
 
 
           [[[ 9, 10],
             [11, 12]],
 
            [[13, 14],
             [15, 16]]]]), 4)
"""

Tu peux vous demander quels types de données ont autant de dimensions.

Les points énumérés ci-dessous répondront à ta question.

• Données tabulaires – matrices 2D
• Données de séries temporelles ou séquences – tenseurs 3D
• Images – tenseurs 4D
• vidéo – tenseurs 5D

Tu sais maintenant comment créer des tableaux de différentes dimensions avec NumPy, mais avant de passer au chapitre suivant, consulte l’image ci-dessous pour comprendre les structures des scalaires, des vecteurs, des matrices et des tenseurs.

Passons au chapitre suivant, mais attends.

Ês-tu en train de coder ?

J’espère que oui.

Chapitre suivant 👉 Attributs de tableaux NumPy.