Exercice 31 / 100

Numpy - array

ConsigneCréez un array numpy de 1 à 10, calculez sa moyenne

📖 Cours

NumPy est LA bibliothèque de calcul numérique en Python. Son objet central est l'array (np.ndarray) : une grille de nombres beaucoup plus rapide qu'une liste Python pour les calculs mathématiques.

Installation : pip install numpy Import conventionnel :

import numpy as np

Créer un array

np.array([1, 2, 3])               →  array([1, 2, 3])np.array([[1,2],[3,4]])           →  matrice 2x2np.zeros(5)                        →  [0. 0. 0. 0. 0.]np.ones((2,3))                     →  matrice 2x3 de 1np.arange(1, 11)                   →  [1 2 3 ... 10]   (comme range mais array)np.linspace(0, 1, 5)               →  5 nombres entre 0 et 1 inclusnp.random.rand(3)                  →  3 nombres aléatoires entre 0 et 1

np.arange(start, stop, step) — stop exclu, comme range().

np.linspace(start, stop, n) — stop inclus. n est le nombre de points.

Pourquoi les arrays sont rapides

Une liste Python stocke des objets variés (lent à parcourir). Un array NumPy stocke des nombres du même type dans un bloc mémoire contigu, comme en C. Les opérations s'exécutent en code natif, 10× à 100× plus vite.

Opérations vectorisées

On peut appliquer une opération à tout l'array d'un coup, sans boucle :

arr = np.arange(1, 11)            # [1, 2, ..., 10]arr + 10                          # [11, 12, ..., 20]arr * 2                           # [2, 4, ..., 20]arr ** 2                          # carrés

Une opération sur un array s'applique à tous ses éléments d'un coup, sans écrire la moindre boucle : c'est ce qu'on appelle la vectorisation

Méthodes d'agrégation

arr.sum()        sommearr.mean()       moyennearr.min()        minarr.max()        maxarr.std()        écart-typearr.shape        forme (ex : (10,) ou (3, 4))arr.dtype        type des éléments (int64, float64...)

Règle : si tu as besoin de boucler sur une liste de nombres, demande-toi si tu peux le faire avec un array NumPy. C'est presque toujours plus rapide et plus court.