Arithmétique élément par élément
Additionnez, soustrayez, multipliez et divisez des tableaux élément par élément, et comprenez comment NumPy évite les boucles Python explicites.
Arithmétique élément par élément est une leçon Pandas & NumPy Academy gratuite sur CoddyKit. Ceci est la leçon 3 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.
Le problème des boucles Python
Additionner des listes en Python pur nécessite une boucle lente. NumPy le fait en C rapide — souvent 10 à 100 fois plus vite. Cette technique s’appelle la vectorisation. ⚡
# Python list approach -- slow
a = [1, 2, 3, 4]
b = [10, 20, 30, 40]
result = [x + y for x, y in zip(a, b)]
print(result) # [11, 22, 33, 44]
# NumPy approach -- fast
import numpy as np
na, nb = np.array(a), np.array(b)
print(na + nb) # [11 22 33 44]Addition et soustraction
Les opérateurs + et - agissent élément par élément sur des tableaux de même forme, en associant les positions correspondantes en un seul passage rapide.
import numpy as np
a = np.array([10, 20, 30])
b = np.array([1, 2, 3])
print(a + b) # [11 22 33]
print(a - b) # [ 9 18 27]Multiplication et division
Utilisez * et / pour la multiplication et la division élément par élément — notez que * n’est pas une multiplication matricielle. La division produit toujours des flottants, même à partir de nombres entiers.
import numpy as np
a = np.array([10, 20, 30])
b = np.array([2, 4, 5])
print(a * b) # [ 20 80 150]
print(a / b) # [5. 5. 6.]
print(a // b) # [5 5 6]
print(a % b) # [0 0 0]Calculs scalaires (aperçu de la diffusion)
Ajoutez un seul nombre à un tableau et NumPy l’applique à chaque élément. C’est la diffusion dans sa forme la plus simple — très utile pour décaler ou mettre à l’échelle des données.
import numpy as np
a = np.array([1, 2, 3, 4, 5])
print(a + 10) # [11 12 13 14 15]
print(a * 2) # [ 2 4 6 8 10]
print(a ** 2) # [ 1 4 9 16 25]
print(a / 10) # [0.1 0.2 0.3 0.4 0.5]Exponentiation et racine carrée
Utilisez ** pour élever chaque élément à une puissance. Pour les racines carrées, utilisez l’ufunc np.sqrt — il est intégré en C et plus rapide qu’une boucle Python.
import numpy as np
a = np.array([1.0, 4.0, 9.0, 16.0])
print(a ** 0.5) # [1. 2. 3. 4.]
print(np.sqrt(a)) # [1. 2. 3. 4.]
print(a ** 2) # [ 1. 16. 81. 256.]Les opérateurs de comparaison renvoient des tableaux booléens
Comparez un tableau avec >, == ou < et vous obtenez un tableau booléen composé de valeurs True/False — la base du filtrage de vos données.
import numpy as np
a = np.array([3, 7, 2, 9, 1])
print(a > 4) # [False True False True False]
print(a == 2) # [False False True False False]
print(a >= 3) # [ True True False True False]Opérateurs logiques sur les tableaux booléens
Pour combiner des tableaux booléens, utilisez les symboles &, | et ~ — et non les mots and/or/not. Entourez chaque condition de parenthèses pour éviter les problèmes de priorité.
import numpy as np
a = np.array([3, 7, 2, 9, 1])
mask = (a > 2) & (a < 8)
print(mask) # [ True True False False False]
print(a[mask]) # [3 7]Opérations en place avec +=
Les opérateurs comme += modifient un tableau en place, ce qui économise de la mémoire en évitant une nouvelle copie. Veillez simplement à la compatibilité des dtypes : vous ne pouvez pas ajouter 0.5 à un tableau d’entiers de cette manière.
import numpy as np
a = np.array([1.0, 2.0, 3.0])
a += 10.0
print(a) # [11. 12. 13.]
a *= 2.0
print(a) # [22. 24. 26.]Calculs sur des tableaux à deux dimensions
Les calculs élément par élément fonctionnent de la même façon sur les tableaux à deux dimensions : additionnez deux matrices de même forme et chaque cellule est additionnée à celle qui lui correspond. Aucune boucle imbriquée n’est nécessaire.
import numpy as np
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
print(A + B)
# [[ 6 8]
# [10 12]]
print(A * B) # element-wise, NOT matrix multiply
# [[ 5 12]
# [21 32]]Promotion des dtypes dans les opérations mixtes
Mélangez deux dtypes et NumPy les convertit vers le type le plus sûr, afin de ne perdre aucune information — un entier plus un flottant donne un flottant. Attention : cela peut augmenter discrètement la mémoire utilisée.
import numpy as np
a = np.array([1, 2, 3], dtype=np.int32)
b = np.array([0.5, 1.5, 2.5], dtype=np.float64)
c = a + b
print(c) # [1.5 3.5 5.5]
print(c.dtype) # float64Valeur absolue et signe
Utilisez np.abs pour les valeurs absolues et np.sign pour obtenir -1, 0 ou +1 pour chaque élément. Ce sont deux ufuncs rapides, couramment utilisés dans les fonctions de perte et les étapes de normalisation.
import numpy as np
a = np.array([-3, 0, 4, -7, 2])
print(np.abs(a)) # [3 0 4 7 2]
print(np.sign(a)) # [-1 0 1 -1 1]Vérification rapide
Vérifiez votre compréhension des calculs élément par élément de NumPy dans cette leçon.
Récapitulatif de la leçon
Vous avez compris ! NumPy effectue les calculs élément par élément sans boucles, les scalaires sont diffusés dans tout le tableau et les comparaisons produisent des tableaux booléens. Ensuite : le découpage et l’indexation.
Questions Fréquemment Posées
La leçon « Arithmétique élément par élément » est-elle gratuite ?
Oui — le texte complet de « Arithmétique élément par élément » 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 « Arithmétique élément par élément » ?
Additionnez, soustrayez, multipliez et divisez des tableaux élément par élément, et comprenez comment NumPy évite les boucles Python explicites. 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 3 sur 4.
Combien de temps prend la leçon « Arithmétique élément par élément » ?
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