Summary  
This chapter introduces efficient array and matrix operations using NumPy’s C-based implementation and demonstrates how vectorization enables high-performance computations by applying operations to whole data sets at once.

General domain of usage  
Numerical computing

Afin d’aborder ce cours avec confiance et de le réussir, il est fortement recommandé de **suivre les cours suivants** au préalable (cliquez simplement dessus pour commencer) :

Dans un monde dominé par les données, la manipulation de matrices et de tableaux est d’une importance capitale. C’est là que **NumPy** se révèle indispensable. Grâce à sa rapidité exceptionnelle et à son interface relativement simple d’utilisation, il est devenu la bibliothèque Python **la plus utilisée** pour travailler avec des tableaux.

Abordons maintenant la rapidité de NumPy et ses origines. Bien qu'il s'agisse d'une bibliothèque Python, elle est principalement écrite en **C**, un langage de bas niveau permettant des calculs rapides.

Un autre facteur contribuant à la performance de NumPy est la **vectorisation**. La vectorisation consiste à transformer un algorithme qui traite une seule valeur à la fois en un algorithme qui traite un **ensemble de valeurs** (vecteur) simultanément, ce qui est effectué en arrière-plan au niveau du processeur (CPU).

import unittest
import importlib.util
import re

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

class TestUserCode(unittest.TestCase):
    @classmethod
    def setUpClass(cls):
        # Завантажуємо код користувача
        spec = importlib.util.spec_from_file_location("user_code", "user_code.py")
        cls.m = importlib.util.module_from_spec(spec)
        spec.loader.exec_module(cls.m)

        # Зчитуємо сирцевий код
        with open("user_code.py", "r", encoding="utf-8") as f:
            cls.src = f.read()

    def test_numpy_import(self):
        # Перевірка, що numpy імпортовано з псевдонімом np
        has_np = "np" in dir(self.m)
        pat_alias = re.search(r"import\s+numpy\s+as\s+np", self.src)
        _dynamic_test(
            self,
            has_np and pat_alias,
            "NumPy imported correctly as np",
            "NumPy import alias incorrect or missing"
        )

if __name__ == "__main__":
    unittest.main()


test_code.py

Libérez tout le potentiel de la bibliothèque la plus essentielle de Python pour le calcul numérique, NumPy. Ce cours complet est conçu pour vous faire passer d'une compréhension débutante à un niveau avancé de maîtrise de NumPy. Que vous soyez data scientist, ingénieur, chercheur ou développeur, la maîtrise de NumPy est indispensable pour une manipulation efficace des données, le calcul scientifique et l'apprentissage automatique.

Explorez les applications de NumPy et comprenez pourquoi il s'agit de l'une des bibliothèques les plus populaires pour le calcul numérique. Découvrez les différentes méthodes de création et d'initialisation des tableaux afin de répondre efficacement à divers besoins en données.

Découvrez comment accéder à des éléments spécifiques et à des sous-ensembles dans les tableaux NumPy à l'aide de la notation d'index. Apprenez à appliquer l'indexation conditionnelle pour filtrer les données et gérer efficacement les valeurs manquantes.

NumPy propose de nombreuses fonctions intégrées pour effectuer des opérations courantes sur les tableaux. Découvrez comment utiliser ces outils pour transformer, agréger et analyser efficacement les données sans écrire de code répétitif.

Apprenez à effectuer des opérations mathématiques efficacement sur des tableaux NumPy. Appliquez ces opérations pour résoudre des problèmes concrets et approfondir la compréhension de la manière dont les calculs vectorisés accélèrent l'analyse numérique.

Introduction à NumPy

Solution

Awesome!

Introduction à NumPy

Solution