Le module NumPy

...

un tableau Numpy. Cette fonctionnalité est particulièrement importante en calcul scientifique pour éviter l’utilisation de boucles.

7

>>> t = np.array([1,2,3,4,5,6])

>>> t[1 :4] # de l’indice 1 à l’indice 4 exclu !!!ATTENTION!!!

array([2, 3, 4])

>>> t[:4] # du debut à l’indice 4 exclu

array([1, 2, 3, 4])

>>> t[4 :] # de l’indice 4 inclus à la fin

array([5, 6])

>>> t[:-1] # excluant le dernier element

array([1, 2, 3, 4, 5])

>>> t[1 :-1] # excluant le premier et le dernier

array([2, 3, 4, 5])

>>> a = np.arange(10)

>>> np.sum(a)

45

>>> np.mean(a)

4.5

>>> M=np.array([[0,1],[2,3]])

>>> M

array([[0, 1],

[2, 3]])

>>> M.transpose() # Calcule la transposée de la matrice M.

array([[0, 2],

[1, 3]])

Il est également possible de résoudre des systèmes linéaires. Par exemple, pour résoudre le système d’équations ; 3x0 + x1 = 9 , on

peut exécuter :

>>> a = np.array([[3,1], [1,2]])

>>> b = np.array([9,8])

>>> x = np.linalg.solve(a, b)

>>> x

array([ 2., 3.])

Module SciPy

Scipy est un projet visant à unifier et fédérer un ensemble de bibliothèques Python à usage scientifique. Cette distribution de modules est destinée à être utilisée avec le langage interprété Python afin de créer un environnement de travail scientifique très similaire à celui offert par Matlab. Il contient par exemple des modules pour l’optimisation, l’algèbre linéaire, les statistiques ou encore le traitement du signal. Il offre également des possibilités avancés de visualisation grâce au module “Matplotlib”. SciPy est un module stable, bien testé et relativement bien documenté. http://docs.scipy.org/doc/,http://docs.scipy.org/doc/scipy/reference/.

Le module SciPy réalise les différentes opérations sur des tableaux numériques (ndarray) de NumPy. On peut donc directement utiliser ces tableaux comme arguments pour les différentes fonctions.

>>> import scipy

>>> from scipy import linalg

>>> mat = np.array([[1, 2], [2, 4]])

>>> mat

array([[1, 2],

[2, 4]])

>>> linalg.det(mat)

0.0

8

x0