Guide utilisateur NumPy

📚 Résumé du contenu

Une présentation complète et introductive ainsi qu'un guide technique sur NumPy, couvrant l'installation, la manipulation des tableaux, l'indexation, la diffusion (broadcasting) et l'intégration avec C/C++.

Maîtrisez les fondations du calcul scientifique en Python avec le guide officiel de NumPy.

Auteur : La communauté NumPy

Remerciements : Rédigé par la communauté NumPy

🎯 Objectifs d'apprentissage

1. Définir NumPy et identifier son rôle dans l'écosystème scientifique Python.
2. Expliquer pourquoi NumPy est nettement plus rapide que les boucles standard de Python grâce au concept de vectorisation.
3. Exécuter les commandes d'installation pour divers environnements, y compris Pip, Conda et Raspberry Pi.
4. Identifier et interpréter les attributs principaux de ndarray tels que ndim, shape et dtype.
5. Exécuter la création et la manipulation des tableaux à l'aide de fonctions comme linspace, reshape, vstack et hstack.
6. Appliquer des opérations élément par élément, des fonctions universelles (ufuncs) et des solveurs d'algèbre linéaire sur des jeux de données numériques.
7. Gérer la précision des données et éviter les erreurs de dépassement (overflow) à l'aide des types scalaires de NumPy et des outils d'information (iinfo, finfo).
8. Mettre en œuvre une ingestion flexible des données depuis le disque à l'aide de genfromtxt avec des délimiteurs personnalisés, des en-têtes et des sélections de colonnes.
9. Appliquer les règles générales de diffusion (broadcasting) pour prédire et contrôler les interactions entre tableaux de formes différentes.
10. Gérer les références mémoire et éviter les pièges dans les sous-classes personnalisées de ndarray à l'aide de l'attribut .base.

🔹 Leçon 1 : Introduction et configuration de l'environnement

Aperçu : Cette leçon présente NumPy comme la bibliothèque fondamentale pour le calcul scientifique en Python, expliquant ses avantages de performance grâce à la vectorisation. Les étudiants apprendront à installer la bibliothèque sur diverses plateformes (Windows, Raspberry Pi, Conda, PyCharm) et à résoudre des problèmes courants d'installation comme ImportError en gérant les variables d'environnement et les dépendances système.

Objectifs d'apprentissage :

• Définir NumPy et identifier son rôle dans l'écosystème scientifique Python.
• Expliquer pourquoi NumPy est nettement plus rapide que les boucles standards de Python grâce au concept de vectorisation.
• Exécuter les commandes d'installation pour divers environnements, y compris Pip, Conda et Raspberry Pi.

🔹 Leçon 2 : Fondamentaux essentiels et manipulation des tableaux

Aperçu : Cette leçon fournit une introduction complète à l'objet ndarray de NumPy, couvrant ses attributs principaux, ses méthodes de création et ses opérations mathématiques de base. Elle s'étend aux sujets avancés incluant l'indexation avancée (booléenne et basée sur des entiers), la manipulation de forme, et des routines essentielles d'algèbre linéaire. À la fin de ce module, les apprenants seront capables de stocker, transformer et analyser efficacement des structures de données multidimensionnelles.

Objectifs d'apprentissage :

• Identifier et interpréter les attributs principaux de ndarray tels que ndim, shape et dtype.
• Exécuter la création et la manipulation des tableaux à l'aide de fonctions comme linspace, reshape, vstack et hstack.
• Appliquer des opérations élément par élément, des fonctions universelles (ufuncs) et des solveurs d'algèbre linéaire sur des jeux de données numériques.

🔹 Leçon 3 : Gestion avancée des données et diffusion

Aperçu : Cette leçon aborde les mécanismes avancés de NumPy, axés sur la gestion précise des types de données, la gestion des dépassements (overflow) et des opérations I/O sophistiquées à l'aide de genfromtxt. Les étudiants maîtriseront la logique interne de la diffusion (broadcasting) pour les opérations arithmétiques, les subtilités de l'ordre des octets au niveau mémoire, et la création d'arrays structurés ou enregistres pour des jeux de données hétérogènes. Les dernières parties détaillent l'extensibilité de NumPy via des conteneurs de tableaux personnalisés et les protocoles formels pour la sous-classification de ndarray.

Objectifs d'apprentissage :

• Gérer la précision des données et éviter les erreurs de dépassement (overflow) à l'aide des types scalaires de NumPy et des outils d'information (iinfo, finfo).
• Mettre en œuvre une ingestion flexible des données depuis le disque à l'aide de genfromtxt avec des délimiteurs personnalisés, des en-têtes et des sélections de colonnes.
• Appliquer les règles générales de diffusion (broadcasting) pour prédire et contrôler les interactions entre tableaux de formes différentes.

🔹 Leçon 4 : Exceptions numériques et interface avec le langage

Aperçu : Cette leçon explore les nuances avancées de la sous-classification de NumPy, notamment en matière de gestion de la mémoire et de compatibilité descendante. Elle examine également comment NumPy implémente la norme IEEE 754 pour les nombres flottants afin de gérer les valeurs spéciales et les exceptions numériques, pour conclure par les mécanismes d'interface entre les tableaux NumPy et des langages de bas niveau comme C, C++ et Fortran.

Objectifs d'apprentissage :

• Gérer les références mémoire et éviter les pièges dans les sous-classes personnalisées de ndarray à l'aide de l'attribut .base.
• Maintenir la compatibilité descendante dans les sous-classes en implémentant correctement __array_wrap__ et les signatures de méthode.
• Identifier et manipuler les valeurs spéciales IEEE 754 (NaN, Inf) et configurer les comportements globaux d'exceptions numériques.

🔹 Leçon 5 : Extension de NumPy via l'API C

Aperçu : Cette leçon explore les différentes méthodes permettant d'étendre la fonctionnalité de NumPy en interfaçant avec des langages compilés comme C, C++ et Fortran. Elle couvre des outils automatisés comme f2py et Cython, l'enveloppement manuel avec ctypes, la création de fonctions universelles (ufuncs) haute performance, et des techniques avancées de l'API C pour l'itération sur les tableaux, les types de données personnalisés et la sous-typage de ndarray.

Objectifs d'apprentissage :

• Comparer et implémenter diverses méthodes pour "coller" du code compilé à Python (f2py, Cython, ctypes).
• Créer et enregistrer des fonctions universelles (ufuncs) NumPy personnalisées pour un ou plusieurs types de données, y compris les tableaux structurés.
• Utiliser l'API C de NumPy pour effectuer une itération efficace sur les tableaux, gérer la diffusion et définir des types de données ou des sous-classes de ndarray personnalisés.