Création et utilisation de tableaux NumPy en Python

Introduction

Ce laboratoire fournit un guide étape par étape pour créer et utiliser des tableaux NumPy. Les tableaux NumPy sont des structures multidimensionnelles en forme de grille utilisées pour le calcul scientifique et l'analyse de données en Python. Ils présentent plusieurs avantages par rapport aux listes Python, notamment une computation plus rapide, une manipulation plus facile et une gestion de mémoire meilleure.

Conseils sur la machine virtuelle

Une fois le démarrage de la machine virtuelle terminé, cliquez dans le coin supérieur gauche pour basculer vers l'onglet Notebook pour accéder à Jupyter Notebook pour la pratique.

Parfois, vous devrez peut-être attendre quelques secondes pour que Jupyter Notebook ait fini de charger. La validation des opérations ne peut pas être automatisée en raison des limites de Jupyter Notebook.

Si vous rencontrez des problèmes pendant l'apprentissage, n'hésitez pas à demander à Labby. Donnez votre feedback après la session, et nous résoudrons rapidement le problème pour vous.

Installation de NumPy

Avant de pouvoir commencer à créer et à utiliser des tableaux NumPy, il est nécessaire d'installer le package NumPy. Cela peut être fait en utilisant la commande suivante :

!pip install numpy

Création d'un tableau NumPy

Pour créer un tableau NumPy, on peut utiliser la fonction numpy.array(). On peut passer une liste, un tuple ou tout objet semblable à un tableau à cette fonction, et elle le convertira en un tableau NumPy. Le paramètre dtype peut être utilisé pour définir explicitement le type de données du tableau.

import numpy as np

## créer un tableau NumPy à une dimension
arr1 = np.array([1, 2, 3])

## créer un tableau NumPy à deux dimensions
arr2 = np.array([[1, 2, 3],[4, 5, 6]])

Vérification de la forme et des dimensions d'un tableau NumPy

Nous pouvons utiliser les attributs shape et ndim d'un tableau NumPy pour vérifier respectivement sa forme et ses dimensions. L'attribut shape renvoie un tuple avec le nombre d'éléments dans chaque dimension du tableau, tandis que l'attribut ndim renvoie le nombre de dimensions du tableau.

import numpy as np

arr = np.array([[1, 2, 3],[4, 5, 6]])

print(arr.shape) ## sortie : (2, 3)
print(arr.ndim) ## sortie : 2

Accès aux éléments d'un tableau NumPy

Nous pouvons accéder aux éléments d'un tableau NumPy en utilisant l'indexation et le découpage, tout comme avec les listes Python. L'index d'un tableau NumPy commence toujours à 0.

import numpy as np

arr = np.array([[1, 2, 3],[4, 5, 6]])

print(arr[0, 1]) ## sortie : 2
print(arr[:, 1]) ## sortie : array([2, 5])

Effectuer des opérations sur les tableaux NumPy

Les tableaux NumPy prennent en charge de nombreuses opérations différentes, telles que les opérations arithmétiques, les fonctions d'agrégation et les opérations logiques. Par exemple, nous pouvons utiliser les fonctions sum() et mean() pour calculer la somme et la moyenne des éléments d'un tableau NumPy :

import numpy as np

arr = np.array([[1, 2, 3],[4, 5, 6]])

print(arr.sum()) ## sortie : 21
print(arr.mean()) ## sortie : 3,5

Redimensionnement et transposition de tableaux NumPy

Nous pouvons redimensionner un tableau NumPy en utilisant la fonction reshape(). Cette fonction prend un tuple de la forme souhaitée comme argument. Nous pouvons également transposer un tableau NumPy en utilisant la fonction transpose() ou l'attribut T.

import numpy as np

arr = np.array([[1, 2, 3],[4, 5, 6]])

## redimensionner le tableau en 3 lignes et 2 colonnes
arr_redimensionné = arr.reshape((3, 2))

## transposer le tableau
arr_transposé = arr.transpose()
arr_T = arr.T

print(arr_redimensionné) ## sortie : array([[1, 2],[3, 4],[5, 6]])
print(arr_transposé) ## sortie : array([[1, 4],[2, 5],[3, 6]])
print(arr_T) ## sortie : array([[1, 4],[2, 5],[3, 6]])

Récapitulatif

Dans ce laboratoire, nous avons appris à créer et à utiliser des tableaux NumPy en Python. Nous avons couvert les étapes de base de la création d'un tableau, la vérification de sa forme et de ses dimensions, l'accès à ses éléments, la réalisation d'opérations sur celui-ci, ainsi que son redimensionnement et sa transposition. Avec ces compétences, nous pouvons travailler efficacement avec des tableaux multidimensionnels pour le calcul scientifique et l'analyse de données.