Ci-dessous, les différences entre deux révisions de la page.
| Les deux révisions précédentes Révision précédente Prochaine révision | Révision précédente Prochaine révisionLes deux révisions suivantes |
| teaching:progappchim:numpy_simple [2018/02/28 21:32] – villersd | teaching:progappchim:numpy_simple [2018/10/31 09:17] – [Références] villersd |
|---|
| {{ :teaching:progappchim:fonctions-ft-04.png |}} | {{ :teaching:progappchim:fonctions-ft-04.png |}} |
| |
| | ===== Avantages de numpy ===== |
| | L'utilisation de la librairie nump permet souvent d'améliorer les performances par rapport à un code numérique écrit en "pure Python". Voici un exemple : |
| | |
| | {{gh>https://github.com/didiervillers/python_programs/blob/master/direct_pi_multirun-timeit.py}} |
| |
| ===== Références ===== | ===== Références ===== |
| * [[https://www.machinelearningplus.com/numpy-tutorial-part1-array-python-examples/|Numpy Tutorial Part 1: Introduction to Arrays]] | * [[https://www.machinelearningplus.com/numpy-tutorial-part1-array-python-examples/|Numpy Tutorial Part 1: Introduction to Arrays]] |
| * [[https://www.machinelearningplus.com/101-numpy-exercises-python/|101 NumPy Exercises for Data Analysis]] | * [[https://www.machinelearningplus.com/101-numpy-exercises-python/|101 NumPy Exercises for Data Analysis]] |
| | * [[https://towardsdatascience.com/numpy-python-made-efficient-f82a2d84b6f7|Numpy — Python made efficient]] |
| |