{"id":228,"date":"2016-09-20T10:45:39","date_gmt":"2016-09-20T10:45:39","guid":{"rendered":"https:\/\/www.ephiquant.com\/?p=228"},"modified":"2016-11-23T15:21:56","modified_gmt":"2016-11-23T15:21:56","slug":"numpy-numerical-python-les-bases-de-la-constriction","status":"publish","type":"post","link":"https:\/\/www.ephiquant.com\/?p=228","title":{"rendered":"Numpy (Numerical Python): Les bases de la constriction"},"content":{"rendered":"

Si vous avez d\u00e9j\u00e0 des notions en Python<\/strong>, vous connaissez certainement les objets tels que les listes, les tuples, les dictionnaires …Toutefois, ces objets sont d’usage g\u00e9n\u00e9ral et manquent de maturit\u00e9 scientifiques et par dessus tout font trop recours aux boucles qui, comme nous le savons, sont synonymes de lourdeur d’ex\u00e9cution.\u00a0C’est pour cette raison que pour les calculs num\u00e9riques, l’analyses des donn\u00e9es, …Python<\/strong> dispose de la librairie\u00a0numpy<\/span> qui permet la cr\u00e9ation et la manipulation des matrices.<\/p>\n

Les matrices sont les\u00a0objets\u00a0math\u00e9matiques centraux de l’alg\u00e8bre lin\u00e9aire<\/a> mais aussi, la structures de donn\u00e9es la plus efficace\u00a0pour effectuer des calculs scientifiques sur ordinateur. Par ce que, pour tout data Scientiste ou Analyste quant qui se respecte, numpy<\/span> (et plus encore Scipy<\/span>, matplotlib<\/span>) et plus sp\u00e9cifiquement son\u00a0objet ndarray<\/span> est tr\u00e8s indispensable, nous consacrerons ce tutoriel, \u00e0 la manipulation de cet objet.<\/p>\n

Importation de la librairie numpy<\/span> et efficience d’un objet\u00a0ndarray<\/span><\/strong><\/h3>\n

Il existe diff\u00e9rente mani\u00e8re d’importer une librairie, nous pour cet article nous chargerons numpy<\/span> de la fa\u00e7on suivante : import numpy as np<\/span>\u00a0. En suite, nous allons faire une petite\u00a0comparaison entre une liste cr\u00e9er avec la fonction arange()<\/span> de numpy<\/span> et une liste\u00a0range()<\/span>\u00a0standards de python. Pourquoi sp\u00e9cialement ces deux fonctions ? Par ce qu’elles sont sens\u00e9es g\u00e9n\u00e9rer des s\u00e9quences\/s\u00e9ries de chiffres. Nous allons comparer leur performance avec la librairie timeit.<\/span><\/p>\n

>>> import numpy as np\r\n>>> import timeit \r\n>>> N = 1000\r\n>>> np_list = np.arange(N) # liste ndarray\r\n>>> std_list = range(N)  # liste standard\r\n>>> t_np  = timeit.Timer(\"np_list.sum()\",\"from __main__ import np_list\")\r\n>>> t_std = timeit.Timer(\"sum(std_list)\",\"from __main__ import std_list\")\r\n>>> print(\"Temps avec ndarray : \", t_np.timeit())\r\nTemps avec ndarray :  3.144534872488408\r\n>>> print(\"Temps avec liste : \", t_std.timeit())\r\nTemps avec liste :  23.97810386881762<\/pre>\n
Comme nous\u00a0pouvons l’observer, \u00a0sommer une liste standard de 1000 \u00e9l\u00e9ments ( obtenu avec range()<\/span>), n\u00e9cessite 8 fois plus de temps qu’avec un objet ndarray <\/span>(obtenu avec arange()<\/span>). Ces performances sont \u00e0 relativiser en fonction du syst\u00e8me utilis\u00e9.<\/p>\n