module examples.numpysex

Short summary

module teachpyx.examples.numpysex

Quelques exemples autour de numpy.

source on GitHub

Functions

function

truncated documentation

numpy_matrix2list

Convertit une matrice numpy en list.

numpy_types

Returns the list of numpy available types.

Documentation

Quelques exemples autour de numpy.

source on GitHub

teachpyx.examples.numpysex.numpy_matrix2list(mat)[source]

Convertit une matrice numpy en list.

Paramètres

mat – matrix

Renvoie

liste de listes

opérations avec numpy.matrix

Voici quelques écritures classiques avec le module numpy.

import numpy as np
mat = np.matrix ( [[1,2],[3,4]] ) # crée une matrice 2*2
s   = mat.shape           # égale à (nombre de lignes, nombre de colonnes)
l   = mat [0,:]           # retourne la première ligne
c   = mat [:,0]           # retourne la première colonne
iv  = mat.I               # inverse la matrice
mat [:,0] = mat [:,1]     # la première ligne est égale à la seconde
o   = np.ones ( (10,10) ) # crée un matrice de 1 10x10
d   = np.diag (mat)       # extrait la diagonale d'une matrice
dd  = np.matrix (d)       # transforme d en matrice
t   = mat.transpose ()    # obtient la transposée
e   = mat [0,0]           # obtient de première élément
k   = mat * mat           # produit matriciel
k   = mat @ mat           # produit matriciel à partir de Python 3.5
m   = mat * 4             # multiplie la matrice par 4
mx  = np.max (mat [0,:])  # obtient le maximum de la première ligne
s   = np.sum (mat [0,:])  # somme de la première ligne


mat = np.diagflat ( np.ones ( (1,4) ) )
print (mat)  # matrice diagonale
t   =  mat == 0
print (t)    # matrice de booléens
mat [ mat == 0 ] = 4
print (mat)  # ...
print (iv)  # ...

source on GitHub

teachpyx.examples.numpysex.numpy_types()[source]

Returns the list of numpy available types.

Renvoie

list of types

To know a little bit more about those types.

Quels sont les types que numpy supporte ?

Lire basic types. numpy propose plus de types que Python, les mêmes que le langage C (langage de son implémentation). Les programmeurs cherchent toujours le plus petit type possible pour représenter un nombre. Si une matrice ne possède que des entiers entre 0 et 255, on peut utiliser le type numpy.uint8 qui est codé sur un octet. Cela explique pourquoi beaucoup de libraires de machine learning sont codées des numpy.float32, soit 4 octets plutôt que numpy.float64 ou double. Deux raisons à cela, les numpy.float32 prennent deux fois moins de place en mémoire. Le coût des calculs avec des double est plus coûteux avec les GPU. Lire Explaining FP64 performance on GPUs.

source on GitHub

Code

# -*- coding: utf-8 -*-
"""
Quelques exemples autour de `numpy <http://www.numpy.org/>`_.


:githublink:`%|py|6`
"""
import numpy


def numpy_matrix2list(mat):
    """
    Convertit une matrice `numpy <http://www.numpy.org/>`_ en list.

    :param      mat:     matrix
    :return:             liste de listes

    .. exref::
        :title: opérations avec numpy.matrix
        :tag: numpy

        Voici quelques écritures classiques avec le module
        `numpy <http://www.numpy.org/>`_.

        ::

            import numpy as np
            mat = np.matrix ( [[1,2],[3,4]] ) # crée une matrice 2*2
            s   = mat.shape           # égale à (nombre de lignes, nombre de colonnes)
            l   = mat [0,:]           # retourne la première ligne
            c   = mat [:,0]           # retourne la première colonne
            iv  = mat.I               # inverse la matrice
            mat [:,0] = mat [:,1]     # la première ligne est égale à la seconde
            o   = np.ones ( (10,10) ) # crée un matrice de 1 10x10
            d   = np.diag (mat)       # extrait la diagonale d'une matrice
            dd  = np.matrix (d)       # transforme d en matrice
            t   = mat.transpose ()    # obtient la transposée
            e   = mat [0,0]           # obtient de première élément
            k   = mat * mat           # produit matriciel
            k   = mat @ mat           # produit matriciel à partir de Python 3.5
            m   = mat * 4             # multiplie la matrice par 4
            mx  = np.max (mat [0,:])  # obtient le maximum de la première ligne
            s   = np.sum (mat [0,:])  # somme de la première ligne


            mat = np.diagflat ( np.ones ( (1,4) ) )
            print (mat)  # matrice diagonale
            t   =  mat == 0
            print (t)    # matrice de booléens
            mat [ mat == 0 ] = 4
            print (mat)  # ...
            print (iv)  # ...


    :githublink:`%|py|51`
    """
    return mat.tolist()


def numpy_types():
    """
    Returns the list of numpy available types.

    :return:     list of types

    To know a little bit more about those types.

    .. faqref::
        :title: Quels sont les types que numpy supporte ?
        :tag: numpy

        Lire `basic types <http://docs.scipy.org/doc/numpy/user/basics.types.html>`_.
        `numpy <http://docs.scipy.org/doc/numpy/>`_
        propose plus de types que Python, les mêmes que le langage C
        (langage de son implémentation). Les programmeurs cherchent toujours
        le plus petit type possible pour représenter un nombre.
        Si une matrice ne possède que des entiers entre 0 et 255,
        on peut utiliser le type *numpy.uint8* qui est codé sur un octet.
        Cela explique pourquoi beaucoup de libraires de machine learning sont codées
        des *numpy.float32*, soit 4 octets plutôt que *numpy.float64* ou *double*.
        Deux raisons à cela, les *numpy.float32* prennent deux fois moins de place en mémoire.
        Le coût des calculs avec des *double* est plus coûteux avec les GPU.
        Lire `Explaining FP64 performance on GPUs <http://arrayfire.com/explaining-fp64-performance-on-gpus/>`_.


    :githublink:`%|py|79`
    """

    return [numpy.bool_,
            numpy.int_,
            numpy.intc,
            numpy.intp,
            numpy.int8,
            numpy.int16,
            numpy.int32,
            numpy.int64,
            numpy.uint8,
            numpy.uint16,
            numpy.uint32,
            numpy.uint64,
            numpy.float_,
            numpy.float16,
            numpy.float32,
            numpy.float64,
            numpy.complex_,
            numpy.complex64,
            numpy.complex128]