Skip to main content

Introduction à NumPy

NumPy est une bibliothèque Python essentielle pour le calcul scientifique. Elle permet de travailler efficacement avec des tableaux de données numériques (appelés arrays), bien plus rapidement qu’avec les listes Python classiques.

Pourquoi utiliser NumPy ?​

  • Manipulation simple et rapide de données numériques
  • Opérations vectorielles sans boucle for
  • Base de nombreuses autres bibliothèques (pandas, scikit-learn, TensorFlow…)

Installation​

Si vous avez installé Anaconda, NumPy est déjà inclus. Sinon, vous pouvez l’installer avec :

pip install numpy

Créer un tableau NumPy (array)​

Voici comment créer des tableaux simples avec NumPy :

import numpy as np

# Créer un tableau à partir d’une liste Python
a = np.array([1, 2, 3])
print(a)

Sortie :

[1 2 3]

Tableaux multidimensionnels​

b = np.array([[1, 2], [3, 4]])
print(b)

Sortie :

[[1 2]
 [3 4]]

Forme et dimensions​

print(b.shape)  # (2, 2)
print(b.ndim)   # 2

Opérations sur les tableaux​

Opérations élément par élément​

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

print(x + y)      # [5 7 9]
print(x * y)      # [ 4 10 18]
print(x ** 2)     # [1 4 9]

Fonctions utiles​

print(np.mean(x))    # Moyenne
print(np.max(x))     # Maximum
print(np.sum(x))     # Somme

Indexation et slicing​

a = np.array([10, 20, 30, 40])
print(a[1])      # 20
print(a[1:3])    # [20 30]

Pour les matrices :

m = np.array([[1, 2, 3], [4, 5, 6]])
print(m[1, 2])   # Accès ligne 1, colonne 2 → 6

Génération automatique de tableaux​

np.zeros((2, 3))     # Tableau de zéros
np.ones((2, 3))      # Tableau de uns
np.eye(3)            # Matrice identité 3x3
np.arange(0, 10, 2)  # [0 2 4 6 8]
np.linspace(0, 1, 5) # [0.   0.25 0.5  0.75 1.]

Produit matriciel (dot product)​

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

print(np.dot(a, b))

Sortie :

[[19 22]
 [43 50]]

Pourquoi ne pas utiliser simplement les listes Python ?​

  • Les listes ne sont pas optimisées pour le calcul numérique
  • Pas de support natif pour les opérations vectorielles
  • Moins efficaces en mémoire et en vitesse

À retenir​

ConceptExplication
arrayTableau NumPy, remplace les listes pour le calcul
shapeDimensions du tableau
vectorisationCalculs sans boucle, plus rapides
slicingExtraction de sous-tableaux
dotProduit matriciel

Prochaines étapes​

  • Apprendre à combiner NumPy avec pandas pour manipuler des jeux de données
  • S'entraîner à manipuler des matrices, utile pour le machine learning