12 opérations NumPy pour les débutants

NumPy, qui signifie Numerical Python, est une bibliothèque Python principalement utilisée pour travailler avec des tableaux et pour y effectuer une grande variété d'opérations mathématiques. C'est la bibliothèque de base pour le calcul scientifique en Python. NumPy est souvent utilisé avec d'autres bibliothèques Python liées à la science des données telles que SciPy, Pandas et Matplotlib.

Dans cet article, vous apprendrez à effectuer 12 opérations de base à l'aide de NumPy.

Utiliser ces exemples NumPy

Vous pouvez exécuter les exemples de cet article en saisissant le code directement dans l'interpréteur python. Lancez-le en mode interactif, depuis la ligne de commande, pour ce faire.

Vous pouvez également accéder à un fichier Python Notebook contenant le code source complet de ce référentiel GitHub .

1. Comment importer NumPy en tant que np et imprimer le numéro de version

Vous devez utiliser le mot – clé d'importation pour importer une bibliothèque Python. NumPy est généralement importé sous l'alias np . Avec cette approche, vous pouvez faire référence au package NumPy en tant que np au lieu de numpy .

 import numpy as np
print(np.__version__)

Sortir:

 1.20.1

2. Comment créer un objet NumPy ndarray

L'objet tableau dans NumPy s'appelle ndarray . Vous pouvez créer l'objet NumPy ndarray en utilisant la méthode array() . La méthode array() accepte une liste, un tuple ou un objet de type tableau.

Utiliser un tuple pour créer un tableau NumPy

 arrObj = np.array((23, 32, 65, 85))
arrObj

Sortir:

 array([23, 32, 65, 85])

Utiliser une liste pour créer un tableau NumPy

 arrObj = np.array([43, 23, 75, 15])
arrObj

Sortir:

 array([43, 23, 75, 15])

3. Comment créer des tableaux NumPy 0D, 1D, 2D, 3D et N-Dimensional

Tableaux 0D

Chaque élément d'un tableau est un tableau 0D.

 arrObj = np.array(21)
arrObj

Sortir:

 array(21)

Tableaux 1D

Les tableaux qui ont des tableaux 0D comme éléments sont appelés tableaux 1D.

 arrObj = np.array([43, 23, 75, 15])
arrObj

Sortir:

 array([43, 23, 75, 15])

Tableaux 2D

Les tableaux qui ont des tableaux 1D comme éléments sont appelés tableaux 2D.

 arrObj = np.array([[12, 43, 21], [67, 32, 98]])
arrObj

Sortir:

 array([[12, 43, 21],
[67, 32, 98]])

Tableaux 3D

Les tableaux qui ont des tableaux 2D (matrices) comme éléments sont appelés tableaux 3D.

 arrObj = np.array([[[23, 45, 22], [45, 76, 23]], [[67, 23, 56], [12, 76, 63]]])
arrObj

Sortir:

 array([[[23, 45, 22],
[45, 76, 23]],

[[67, 23, 56],
[12, 76, 63]]])

Tableaux n-dimensionnels

Vous pouvez créer un tableau de n'importe quelle dimension à l'aide de l'argument ndmin .

 arrObj = np.array([23, 22, 65, 44], ndmin=5)
arrObj

Sortir:

 array([[[[[23, 22, 65, 44]]]]])

4. Comment vérifier les dimensions d'un tableau

Vous pouvez trouver les dimensions d'un tableau en utilisant l'attribut ndim .

 arrObj1 = np.array(21)
arrObj2 = np.array([43, 23, 75, 15])
arrObj3 = np.array([[12, 43, 21], [67, 32, 98]])
arrObj4 = np.array([[[23, 45, 22], [45, 76, 23]], [[67, 23, 56], [12, 76, 63]]])
print(arrObj1.ndim)
print(arrObj2.ndim)
print(arrObj3.ndim)
print(arrObj4.ndim)

Sortir:

 0
1
2
3

5. Comment accéder aux éléments des tableaux 1D, 2D et 3D

Vous pouvez accéder à un élément de tableau en utilisant son numéro d'index. Pour les tableaux 2D et 3D, vous devez utiliser des entiers séparés par des virgules représentant l'index de chaque dimension.

 arrObj1 = np.array([43, 23, 75, 15])
arrObj2 = np.array([[12, 43, 21], [67, 32, 98]])
arrObj3 = np.array([[[23, 45, 22], [45, 76, 23]], [[67, 23, 56], [12, 76, 63]]])
print(arrObj1[2])
print(arrObj2[0, 2])
print(arrObj3[0, 1, 2])

Sortir:

 75
21
23

Remarque : les tableaux NumPy prennent également en charge l'indexation négative.

En relation: Pourquoi Python est le langage de programmation du futur

6. Comment vérifier le type de données de l'objet tableau NumPy

Vous pouvez vérifier le type de données de l'objet tableau NumPy à l'aide de la propriété dtype .

 arrObj1 = np.array([1, 2, 3, 4])
arrObj2 = np.array([1.3, 6.8, 3.5, 9.2])
arrObj3 = np.array(['Welcome', 'to', 'MUO'])
print(arrObj1.dtype)
print(arrObj2.dtype)
print(arrObj3.dtype)

Sortir:

 int32
float64
<U7

Remarque :

NumPy utilise les caractères suivants pour représenter les types de données intégrés :

  • i — entier (signé)
  • b — booléen
  • O — objet
  • S — chaîne
  • u — entier non signé
  • f — flotter
  • c — flotteur complexe
  • m — delta de temps
  • M — date/heure
  • U — chaîne unicode
  • V — données brutes (vide)

7. Comment changer le type de données d'un tableau NumPy

Vous pouvez modifier le type de données d'un tableau NumPy à l'aide de la méthode astype(data_type) . Cette méthode accepte le type de données en tant que paramètre et crée une nouvelle copie du tableau. Vous pouvez spécifier le type de données en utilisant des caractères tels que "b" pour booléen, "i" pour entier, "f" pour flottant, etc.

Conversion d'un tableau d'entiers en tableau flottant

 arrObj = np.array([43, 23, 75, 15])
floatArr = arrObj.astype('f')
floatArr

Sortir:

 array([43., 23., 75., 15.], dtype=float32)

Conversion d'un tableau flottant en tableau d'entiers

 arrObj = np.array([1.3, 6.8, 3.5, 9.2])
intArr = arrObj.astype('i')
intArr

Sortir:

 array([1, 6, 3, 9], dtype=int32)

En relation: Idées de projets Python adaptées aux débutants

8. Comment copier un tableau NumPy dans un autre tableau

Vous pouvez copier un tableau NumPy dans un autre tableau en utilisant la fonction np.copy() . Cette fonction renvoie une copie de tableau de l'objet donné.

 oldArr = np.array([43, 23, 75, 15])
newArr = np.copy(oldArr)
newArr

Sortir:

 array([43, 23, 75, 15])

9. Comment trouver la forme d'un tableau NumPy

La forme d'un tableau fait référence au nombre d'éléments dans chaque dimension. Vous pouvez trouver la forme d'un tableau en utilisant l'attribut shape . Il renvoie un tuple dont les éléments donnent les longueurs des dimensions du tableau correspondant.

 arrObj = np.array([[12, 43, 21], [67, 32, 98]])
arrObj.shape

Sortir:

 (2, 3)

Connexes : Comment créer des API en Python : les frameworks les plus populaires

10. Comment remodeler un tableau NumPy

Remodeler un tableau signifie changer sa forme. Notez que vous ne pouvez pas remodeler un tableau en une forme arbitraire. Le nombre d'éléments requis pour le remodelage doit être le même dans les deux formes.

 arrObj = np.array([43, 23, 75, 15, 34, 45])
reshapedArr = arrObj.reshape(2, 3)
reshapedArr

Sortir:

 array([[43, 23, 75],
[15, 34, 45]])

Dans l'exemple ci-dessus, un tableau 1D est remodelé en un tableau 2D.

11. Comment aplatir un tableau NumPy

Aplatir un tableau signifie convertir un tableau multidimensionnel en un tableau 1D. Vous pouvez aplatir un tableau en utilisant reshape(-1) .

 arrObj = np.array([[12, 43, 21], [67, 32, 98]])
flattenedArr = arrObj.reshape(-1)
flattenedArr

Sortir:

 array([12, 43, 21, 67, 32, 98])

Remarque : vous pouvez également aplatir un tableau à l'aide d'autres méthodes telles que numpy.ndarray.flatten() et numpy.ravel() .

12. Comment trier un tableau NumPy

Vous pouvez trier un tableau NumPy à l'aide de la fonction numpy.sort() .

Tri d'un tableau 1D d'entiers

 arrObj = np.array([43, 23, 75, 15])
np.sort(arrObj)

Sortir:

 array([15, 23, 43, 75])

Tri d'un tableau 1D de chaînes

 arrObj = np.array(["Python", "JavaScript", "Solidity", "Golang"])
np.sort(arrObj)

Sortir:

 array(['Golang', 'JavaScript', 'Python', 'Solidity'], dtype='<U10')

Tri d'un tableau 2D d'entiers

 arrObj = np.array([[12, 43, 21], [67, 32, 98]])
np.sort(arrObj)

Sortir:

 array([[12, 21, 43], [32, 67, 98]])

Rendez votre code robuste à l'aide de méthodes et de fonctions intégrées

Python est l'un des langages de programmation les plus populaires. Il est utilisé dans divers domaines tels que le développement Web, les applications scientifiques et numériques, le développement de logiciels et le développement de jeux. Il est toujours bon de connaître les méthodes et fonctions intégrées en Python. Ils peuvent raccourcir votre code et augmenter son efficacité.