Le module NumPy

Deux modules de calcul scientifique du langage Python pourront nous être utiles dans la modélisation des préférences du projet : NumPy et SciPy. La distribution Canopy contient les deux modules.

Module NumPy

NumPy propose des tableaux multidimensionnels pour Python ainsi qu’une large gamme d’opérations efficaces sur ces tableaux : arithmétique, fonctions mathématiques, opérations structurales, etc. Les opérations sont inspirées par des langages comme APL ou Mat- lab. On y trouve aussi des fonctions permettant de résoudre des problèmes d’algèbre linéaire tels que la résolution de système d’équa- tions. NumPy est donc la bibliothèque de base pour toute application de Python dans le domaine du calcul scientifique. Il s’agit d’un module stable, bien testé et relativement bien documenté : http://docs.scipy.org/doc/,http://docs.scipy.org/ doc/numpy/reference/. Pour importer ce module, on recommande d’utiliser

>>> import numpy as np

Toutes les fonctions NumPy seront alors préfixées par np. Exécutez et analysez le code suivant sur la manipulation simple et efficace

des tableaux :

>>> x = np.arange(0,2.0,0.1) # De 0 (inclus) à 2 (exclus) par pas de 0.1

>>> x

array([ 0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1. ,

1.1, 1.2, 1.3, 1.4, 1.5, 1.6, 1.7, 1.8, 1.9])

>>> np.size(x) # Sa taille

20

>>> x[0] # Le premier élément

0.0

>>> x[1] # Le deuxième élément

0.10000000000000001

>>> x[19] # Le dernier élément

1.9000000000000001

>>> x[20] # Pas un élément !

Traceback (most recent call last):

File "<stdin>", line 1, in <module>

IndexError : index 20 is out of bounds for axis 0 with size 20

>>> a = np.array ([[1,2,3], [4,5,6], [7,8,9]])

>>> a

array([[1, 2, 3],

[4, 5, 6],

[7, 8, 9]])

>>> b = 2 * a # Multiplication de chaque terme

>>> c = a + b # Sommation terme à terme

>>> np.dot(a, b) # Produit de matrices

array([[ 60, 72, 84],

[132, 162, 192],

[204, 252, 300]])

>>> a * b # Produit terme à terme

array([[ 2, 8, 18],

[ 32, 50, 72],

[ 98, 128, 162]])

>>> a=np.array([1,2])

>>> np.outer(a,a) # Calcule le produit a*transpose(a), soit une matrice.

array([[1, 2],

[2, 4]])

On peut facilement effectuer des coupes dans

...