Exercice 52 / 100

NumPy — Opérations

Effectue des opérations arithmétiques element-wise sur des arrays

Les opérations arithmétiques sur les arrays sont element-wise : appliquées élément par élément, sans boucle.

Opérations entre arrays

Deux arrays DE même taille :

a = np.array([10, 20, 30, 40])
b = np.array([1, 2, 3, 4])

a + b      →  [11 22 33 44]
a - b      →  [ 9 18 27 36]
a * b      →  [10 40 90 160]
a / b      →  [10. 10. 10. 10.]
a ** 2     →  [100 400 900 1600]

Tailles différentes → erreur (sauf cas du broadcasting, leçon 53).

La même addition, deux mécaniques : la boucle Python parcourt les éléments un par un, l'opération NumPy s'applique à tous les éléments d'un seul coup, sans boucle écrite

Opérations entre array et scalaire

a + 5       →  ajoute 5 à chaque élément
a * 2       →  double chaque élément
a > 15      →  [False True True True]  (comparaison element-wise)

Fonctions universelles (ufuncs)

Appliquent une fonction mathématique à chaque élément :

np.sqrt(a)       racine carrée
np.exp(a)        exponentielle
np.log(a)        log naturel
np.sin(a) / np.cos(a)
np.abs(a)        valeur absolue
np.round(a, 2)   arrondi à 2 décimales

Agrégations

np.sum(a)      somme
np.mean(a)     moyenne
np.max(a)      max
np.min(a)      min
np.median(a)
np.std(a)      écart-type
np.var(a)      variance
np.cumsum(a)   somme cumulée  [10, 30, 60, 100]

Sur array 2D, on peut préciser l'axe :

axis=0    →  agrège VERTICALEMENT (par colonne)
axis=1    →  agrège HORIZONTALEMENT (par ligne)

M = np.array([[1,2,3],[4,5,6]])
M.sum(axis=0)   →  [5 7 9]    (somme de chaque colonne)
M.sum(axis=1)   →  [6 15]     (somme de chaque ligne)

Mémo axis : axis=0 = on aplatit l'axe 0 → on se retrouve avec un résultat sur axe 1. Pense "axe qui disparaît".

exercise.py