Différences

Ci-dessous, les différences entre deux révisions de la page.

--- teaching:progappchim:numpy_simple [2019/03/04 15:08] – villersd
+++ teaching:progappchim:numpy_simple [2023/03/07 13:05] (Version actuelle) – villersd
@@ Ligne 2: / Ligne 2: @@
 NumPy est une extension du langage de programmation Python, destinée à manipuler des matrices ou tableaux multidimensionnels ainsi que des fonctions mathématiques opérant sur ces tableaux.
-Numpy permet la manipulations des vecteurs, matrices et polynômes.
+Chaque élément d'un tableau numpy occupe un nombre fixe d'octets, associé à un type particulier de donnée (data-type, ou dtype). Les types les plus courants incluent les entiers, bytes, entiers courts, booléens, nombres en virgule flottante, nombres complexes,...
+Numpy permet la manipulations des vecteurs, matrices et polynômes. Un tableau bidimensionnel peut aussi bien représenter une matrice, comme les intensités des pixels d'une image.
 ===== Directive d'importation =====
@@ Ligne 203: / Ligne 206: @@
 **poly1d & polynomial ordonnent les coefficients en sens inverses !!!**</note>
-<sxh python; title : arrays_polynomes_06.py>
+<code python arrays_polynomes_06.py>
 #! /usr/bin/env python
 # -*- coding: utf-8 -*-
@@ Ligne 210: / Ligne 213: @@
 """
 import numpy as np
+from numpy.polynomial import Polynomial as P
-# les coefficients du polynômes sont donnés par ordre décroissance des degrés dans poly1d
+# les coefficients du polynômes sont donnés par ordre décroissance des dégrés
-a=np.poly1d([1.,2.,3.,4.]) # = x³ + 2x² + 3x +4
+a = P([4., 3., 2., 1.]) # = x³ + 2x² + 3x + 4
-print "polynôme : \n",a, type(a)
+print("polynôme : \n", a, type(a))
 # les coefficients de a :
-print "coefficients : ",a.coeffs
+print("coefficients : ", a.coef)
 # les racines de a :
-print "racines : ",a.roots
+print("racines : ", a.roots())
 # l'ordre du polynôme :
-print "ordre : ",a.order
+print("ordre : ", a.degree())
 # évaluations sur un vecteur
-x=np.linspace(0,2.,21)
+x = np.linspace(0, 2., 21)
-print "x = ",x
+print("x = ", x)
-print "évaluation en x : ",np.polyval(a,x)
+print("évaluation en x : ", a(x))
 # dérivation
-print "dérivée : \n",np.polyder(a)
+print("dérivée : \n", a.deriv(1))
+print("dérivée seconde : \n", a.deriv(2))
+print("dérivée troisième : \n", a.deriv(3))
+print("dérivée quatrième : \n", a.deriv(4))
 # intégration
-print "intégrale : \n",np.polyint(a)
+print("intégrale : \n", a.integ(1))
 # création d'un polynôme par ses racines
-b=a.roots
+b = a.roots()
-c=np.poly1d(b,True)
+c = P.fromroots(b)
-print "Polynômes recrées par les racines :\n", c
+print("Polynômes recrées par les racines :\n", c)
+#
 # fitting polynomial
-xd=np.array([0.,1.,2.,3.,4.,5.])
+#
-yd1=np.array([0.05,0.99,3.95, 9.17,15.86,24.93])
+# utilisation de poly1d (ancienne librairie)
-pfit=np.poly1d(np.polyfit(xd,yd1,2))
+#
-print "fit d'une parabole (polynôme d'ordre 2) sur ces x et y :"
+# numpy.polyfit (poly1d) :
-print xd
+# https://docs.scipy.org/doc/numpy/reference/routines.polynomials.poly1d.html
-print yd1
+# https://docs.scipy.org/doc/numpy/reference/generated/numpy.polyfit.html
-print "polynôme de fit : \n",pfit
+#
-</sxh>
+xd = np.array([0., 1., 2., 3., 4., 5.])
+yd = np.array([0.05, 0.99, 3.95, 9.17, 15.86, 24.93])
+pfit = np.poly1d(np.polyfit(xd, yd, 2))
+print("fit d'une parabole (polynôme d'ordre 2) sur ces x et y :")
+print(xd)
+print(yd)
+print("polynôme de fit : \n", pfit)
+#
+# "Unfortunately, np.polynomial.polynomial.polyfit returns the coefficients
+# in the opposite order of that for np.polyfit and np.polyval"
+# → https://stackoverflow.com/questions/18767523/fitting-data-with-numpy
+#
+##################################################
+# Ajouter les fits utilisant numpy.polynomial... #
+##################################################
+#
+# numpy.polynomial.polynomial.Polynomial.fit :
+# https://docs.scipy.org/doc/numpy/reference/routines.polynomials.html
+# https://docs.scipy.org/doc/numpy/reference/routines.polynomials.package.html
+# https://docs.scipy.org/doc/numpy/reference/routines.polynomials.classes.html
+# https://docs.scipy.org/doc/numpy/reference/generated/numpy.polynomial.polynomial.Polynomial.fit.html
+#
+# numpy.polynomial.polynomial.polyfit :
+# https://docs.scipy.org/doc/numpy/reference/generated/numpy.polynomial.polynomial.polyfit.html
+#
+</code>
 Autres fonctions : voir [[http://docs.scipy.org/doc/numpy/reference/routines.polynomials.html|ici]]
@@ Ligne 351: / Ligne 384: @@
   * [[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]]
+  * [[https://www.nature.com/articles/s41586-020-2649-2|Array programming with NumPy]] Harris, C.R., Millman, K.J., van der Walt, S.J. et al., Nature 585, 357–362 (2020) DOI: 10.1038/s41586-020-2649-2
+  * [[https://medium.com/better-programming/numpy-illustrated-the-visual-guide-to-numpy-3b1d4976de1d|NumPy Illustrated: The Visual Guide to NumPy]]
+  * [[https://pythonsimplified.com/what-is-timeit-module-in-python/|What is timeit module in Python?]] Chetan Ambi, 02/02/2022 (mesure du temps d'exécution avec la librairie timeit)
+==== Références avancées ====
+  * [[https://towardsdatascience.com/advanced-numpy-master-stride-tricks-with-25-illustrated-exercises-923a9393ab20|Advanced NumPy: Master stride tricks with 25 illustrated exercises - Includes code, explanations and questions from StackOverflow]] Raimi Karim, Medium, 04/01/2021