Créer des tableaux NumPy
Créez des tableaux 1D et 2D avec np.array, np.zeros, np.ones et np.arange, puis examinez leur forme et leur type de données.
Créer des tableaux NumPy est une leçon Pandas & NumPy Academy gratuite sur CoddyKit. Ceci est la leçon 1 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Pandas & NumPy Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Pandas & NumPy Academy comprend 4 leçons au total.
Qu’est-ce qu’un tableau NumPy ?
NumPy est la bibliothèque de référence de Python pour les calculs numériques. Son cœur est le ndarray — une grille de valeurs du même type, bien plus rapide et légère qu’une liste.
import numpy as np
# NumPy arrays are fast, typed, and memory-efficient
print(np.__version__)Créer des tableaux à partir de listes
La façon la plus simple de créer un tableau consiste à transmettre une liste à np.array(). NumPy choisit le dtype pour vous, et une liste de listes devient une matrice à deux dimensions.
import numpy as np
a = np.array([1, 2, 3, 4, 5])
print(a) # [1 2 3 4 5]
print(a.dtype) # int64
m = np.array([[1, 2, 3], [4, 5, 6]])
print(m.shape) # (2, 3)np.zeros et np.ones
Besoin d’une base vierge ? np.zeros remplit un tableau de 0.0 et np.ones le remplit de 1.0 — parfait pour préparer un tableau avant de calculer ses vraies valeurs.
import numpy as np
z = np.zeros(5)
print(z) # [0. 0. 0. 0. 0.]
o = np.ones((3, 4))
print(o.shape) # (3, 4)
print(o.dtype) # float64np.arange pour les suites d’entiers
np.arange fonctionne comme range en Python, mais renvoie un tableau. Indiquez-lui un début, une fin et un pas — la valeur de fin n’est pas incluse.
import numpy as np
a = np.arange(0, 10, 2)
print(a) # [0 2 4 6 8]
b = np.arange(1.0, 2.0, 0.25)
print(b) # [1. 1.25 1.5 1.75]np.linspace pour des flottants régulièrement espacés
Vous voulez des flottants régulièrement espacés ? np.linspace vous donne un nombre défini de valeurs entre deux extrémités, toutes deux incluses — sans dérive d’arrondi.
import numpy as np
x = np.linspace(0, 1, 5)
print(x) # [0. 0.25 0.5 0.75 1. ]
y = np.linspace(0, 360, 7)
print(y) # [ 0. 60. 120. 180. 240. 300. 360.]np.full et np.eye
Utilisez np.full pour remplir un tableau avec la constante de votre choix, et np.eye pour construire une matrice identité — des uns sur la diagonale et des zéros partout ailleurs.
import numpy as np
f = np.full((2, 3), 7)
print(f)
# [[7 7 7]
# [7 7 7]]
I = np.eye(3)
print(I)
# [[1. 0. 0.]
# [0. 1. 0.]
# [0. 0. 1.]]Indiquer le dtype à la création
Chaque tableau possède un seul dtype pour toutes ses valeurs. Définissez-le vous-même avec dtype= — choisir float32 plutôt que float64, par exemple, peut réduire de moitié la mémoire utilisée.
import numpy as np
a = np.array([1, 2, 3], dtype=np.float32)
print(a.dtype) # float32
print(a.nbytes) # 12 (3 elements x 4 bytes)
b = np.zeros(4, dtype=np.int32)
print(b.dtype) # int32Tableaux aléatoires avec np.random
Besoin de données aléatoires ? np.random les génère pour vous. Définissez d’abord une graine afin d’obtenir les mêmes nombres à chaque exécution — indispensable pour des expériences reproductibles. 🎲
import numpy as np
np.random.seed(42)
u = np.random.rand(3, 3) # uniform [0, 1)
print(u)
n = np.random.randn(5) # standard normal
print(n.round(2))Vérifier la forme et les dimensions d’un tableau
Après avoir créé un tableau, vous vérifierez généralement sa shape — un tuple indiquant la taille de chaque dimension. Utilisez .ndim pour connaître son nombre de dimensions.
import numpy as np
a = np.arange(12)
print(a.shape) # (12,)
print(a.ndim) # 1
m = a.reshape(3, 4)
print(m.shape) # (3, 4)
print(m.ndim) # 2Convertir des listes et des tuples
np.array() accepte autre chose que des listes : les tuples, les intervalles et même d’autres tableaux fonctionnent aussi. Évitez simplement les listes internes irrégulières, qui réduisent fortement la vitesse de NumPy.
import numpy as np
# From tuple
t = np.array((10, 20, 30))
print(t) # [10 20 30]
# From range
r = np.array(range(5))
print(r) # [0 1 2 3 4]
# Nested lists -> 2D
m = np.array([[1, 2], [3, 4], [5, 6]])
print(m.shape) # (3, 2)np.empty pour les tableaux non initialisés
np.empty réserve de la mémoire sans la remplir, ce qui le rend légèrement plus rapide que zeros. Attention : il contient des données résiduelles — écrivez toujours avant de lire.
import numpy as np
buf = np.empty(5)
# Values are garbage — do NOT read before writing
for i in range(5):
buf[i] = i * 2
print(buf) # [0. 2. 4. 6. 8.]Vérification rapide
Vérifiez votre compréhension de la création de tableaux NumPy dans cette leçon.
Récapitulatif de la leçon
Beau travail ! Vous savez transformer des listes en tableaux avec np.array(), et les construire de zéro avec zeros, ones, arange et linspace. Ensuite : les attributs des tableaux.
Questions Fréquemment Posées
La leçon « Créer des tableaux NumPy » est-elle gratuite ?
Oui — le texte complet de « Créer des tableaux NumPy » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Pandas & NumPy Academy, passe à CoddyKit PRO. Le cours Pandas & NumPy Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Créer des tableaux NumPy » ?
Créez des tableaux 1D et 2D avec np.array, np.zeros, np.ones et np.arange, puis examinez leur forme et leur type de données. Tu pratiques Pandas & NumPy Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Pandas & NumPy Academy ?
Aucune expérience préalable n'est requise. Pandas & NumPy Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 1 sur 4.
Combien de temps prend la leçon « Créer des tableaux NumPy » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Pandas & NumPy Academy ?
Oui. Chaque leçon Pandas & NumPy Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Créer des tableaux NumPy
- Attributs et inspection des tableaux
- Arithmétique élément par élément
- Découpage et indexation des tableaux