Exercice 55 / 100

NumPy — Reshape & Slicing

Redimensionne et découpe des arrays avec reshape et slicing

Les arrays NumPy peuvent être redimensionnés (reshape) ou découpés (slicing) sans copier les données — très efficace.

reshape : changer la forme

a = np.arange(12)            # shape (12,)
b = a.reshape(3, 4)          # shape (3, 4)  →  3 lignes × 4 colonnes
c = a.reshape(2, 2, 3)       # shape (2, 2, 3)  →  3D
d = a.reshape(-1, 4)         # -1 = "calcule toi-même" → (3, 4)

Le produit des dimensions doit être égal au nombre total d'éléments.

reshape(3, 5) sur un array de 12 éléments → erreur.

reshape ne touche qu'à la forme : les douze éléments et le bloc en mémoire restent les mêmes, ce qui explique qu'une tranche partage la mémoire de l'array d'origine

a.flatten()      →  retransforme en 1D (renvoie une COPIE)
a.ravel()        →  retransforme en 1D (renvoie une VUE si possible, plus efficace)

Slicing 1D : comme une liste Python

a = np.array([10, 20, 30, 40, 50])
a[1:4]       →  [20 30 40]
a[::2]       →  [10 30 50]
a[::-1]      →  inversé

Slicing 2D : ligne, colonne

Syntaxe : a[lignes, colonnes]

b = np.array([[1, 2, 3, 4],
              [5, 6, 7, 8],
              [9,10,11,12]])

b[0]            →  [1 2 3 4]         (ligne 0)
b[0, :]         →  [1 2 3 4]         (équivalent)
b[:, 1]         →  [2 6 10]          (colonne 1)
b[0:2, 1:3]     →  [[2 3] [6 7]]     (sous-matrice)
b[-1, -1]       →  12                (dernier élément)

Transposée

b.T              →  échange lignes et colonnes
np.transpose(b)  →  équivalent

⚠ Slicing = VUE, pas copie

Les slices NumPy partagent la mémoire de l'array d'origine. Modifier la slice modifie l'original :

s = a[1:4]
s[0] = 999
# a est modifié aussi !

Pour une vraie copie : a[1:4].copy()

reshape + ravel sont les couteaux suisses des transformations d'arrays. Très utilisés en deep learning pour passer d'images (2D/3D) à des vecteurs (1D).

exercise.py