Différences

Ci-dessous, les différences entre deux révisions de la page.

--- prog:python:numpy [2020/04/16 14:51] – jbpuel
+++ prog:python:numpy [2020/04/19 12:56] (Version actuelle) – jbpuel
@@ Ligne 1: / Ligne 1: @@
 ====== Mini tutoriel de la bibliothèque NumPy ======
-NumPy est une bibliothèque dédiée à la manipulation de matrices.\\
+Un tuto complet se trouve sur le [[https://numpy.org/devdocs/user/absolute_beginners.html|site officiel]]\\
+Un autre très bon tuto [[https://www.tutorialspoint.com/numpy/index.htm|ici]]\\
+En français un tuto plutôt orienté [[http://math.mad.free.fr/depot/numpy/essai.html|maths]] ou bien [[http://python.physique.free.fr/|physique]]
+NumPy est une bibliothèque dédiée à la manipulation de tableaux, vecteurs et matrices.\\
 Le principal objet que NumPy met à disposition est le **tableau**, de contenu **homogène**, de **dimension n**.\\
 Contrairement aux listes, cette structure n'est pas dynamique.\\
@@ Ligne 22: / Ligne 26: @@
     * on peut préciser le type ''%%np.empty((2,3),dtype=np.float128)%%''
   * rempli avec un itérable : ''np.arange(10,30,5)'' (pas 5) ou ''np.linspace(0,2,9)'' (9 valeurs en tout)
+Accéder aux éléments :
+  * Avec un indice entre crochets : ''toto[0]''
+  * A partir de 2 dimensions, on peut écrire ''toto[i,j]'' ou ''toto[i][j]''
+  * On peut extraire un sous-tableau avec un slice sur les indices
+    * Mais attention ! une modification du sous-tableau se fait aussi sur le tableau
+<code python>
+a=np.array([1, 2, 3, 4, 5])
+b=a[1:3]
+b[1]=0
+print(a)
+</code>
+Produit ce résultat. Étonnant, non ?\\
+''array([1, 2, 0, 4, 5])''
 Effectuer des calculs :
@@ Ligne 30: / Ligne 49: @@
 import numpy as np
 a,b = np.arange(1.,4.), np.arange(2.,5.)
-a*b
+print(a*b)
 </code>
 Produit comme résultat :\\
 ''array([ 2.,  6., 12.])''
+Autres fonctions :
+  * np.sort(tab)
+  * %%np.concatenate((a, b))%%
+  * np.max(tab)
+  * np.min(tab)
+  * np.sum(tab)
+  * np.mean(tab)
+  * np.std(tab)
+  * np.prod(tab)
+Algèbre linéaire :
+  * np.transpose(a) # Transposée de a
+  * np.linalg.inv(a) # Inverse de a
+  * u = np.eye(3) # Matrice identité (ici 3x3)
+  * mat1 @ mat2 # Produit matriciel (ou produit scalaire en dimension 1)
+  * mat1.dot(mat2) # Même chose
+  * np.trace(a) # Trace
+  * np.linalg.eig(j) # Valeurs propres