Exercice 58 / 100

NumPy — Indexation avancée

Utilise le fancy indexing et l'indexation booléenne

Au-delà du slicing classique, NumPy permet deux types d'indexation puissants :

- fancy indexing : avec une LISTE d'index
- indexation booléenne : avec un masque True/False

Fancy indexing : choisir des index précis

a = np.array([10, 20, 30, 40, 50, 60, 70])

a[[0, 2, 5]]            →  [10 30 60]
a[[0, 0, 1]]            →  [10 10 20]   (répétitions autorisées)
a[[-1, -2]]             →  [70 60]

# En 2D, on peut indexer ligne et colonne
M = np.arange(16).reshape(4, 4)
M[[0, 2], [1, 3]]       →  [M[0,1], M[2,3]] = [1, 11]

Indexation booléenne

Un masque = un array de booléens de même forme que les données :

a = np.array([10, 20, 30, 40, 50])
mask = a > 30           # [False False False True True]
a[mask]                 # [40 50]

# En une ligne
a[a > 30]               # [40 50]

Combiner conditions avec & | ~ (parenthèses obligatoires) :

a[(a > 20) & (a < 50)]   →  [30 40]
a[~(a > 30)]             →  [10 20 30]   (négation)

Ce qu'on écrit entre les crochets décide de la lecture : une liste de positions va chercher les éléments un à un, une condition fabrique un masque qui garde les éléments vrais

Utilitaires matriciels utiles

np.diag(M)          →  vecteur des éléments diagonaux
np.diag([1,2,3])    →  matrice diagonale
np.triu(M)          →  triangle supérieur (au-dessus diagonale)
np.tril(M)          →  triangle inférieur

Exemple complet

a = np.array([10, 20, 30, 40, 50, 60, 70])

print('Fancy:', a[[0, 2, 5]])                # [10 30 60]
print('Mask :', a > 30)                       # bool array
print('Filtrés:', a[a > 30])                  # [40 50 60 70]

M = np.arange(16).reshape(4, 4)
print('Diagonale:', np.diag(M))               # [0 5 10 15]
print('Triangle sup:\n', np.triu(M))

L'indexation booléenne est l'idiome NumPy le plus puissant pour filtrer sans boucle. C'est aussi la base du filtrage Pandas (df[df.col > 5]).

exercise.py