Tableaux NumPy et dtypes
Créez des ndarrays, comprenez les dtypes et explorez les propriétés des tableaux.
Tableaux NumPy et dtypes est une leçon Python 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 Python Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Python Academy comprend 4 leçons au total.
Qu’est-ce que NumPy ?
NumPy fournit le ndarray : un tableau de type fixe, stocké dans une mémoire contiguë, qui prend en charge des opérations vectorisées bien plus rapides que les listes Python.
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
print(arr) # [1 2 3 4 5]
print(arr * 2) # [ 2 4 6 8 10] (no Python loop)Créer des tableaux
Fonctions de création courantes : np.array(), np.zeros(), np.ones(), np.arange(), np.linspace().
import numpy as np
print(np.zeros((2, 3))) # 2x3 array of 0.0
print(np.ones(5)) # [1. 1. 1. 1. 1.]
print(np.arange(0, 10, 2)) # [0 2 4 6 8]
print(np.linspace(0, 1, 5)) # [0. 0.25 0.5 0.75 1. ]Types de données
Chaque tableau NumPy possède un seul dtype. Types courants : int32, int64, float32, float64, bool, complex128.
import numpy as np
a = np.array([1, 2, 3]) # int64 by default
b = np.array([1.0, 2.0]) # float64
c = np.array([1, 2], dtype=np.float32)
print(a.dtype) # int64
print(c.dtype) # float32Forme et ndim d’un tableau
shape est un tuple indiquant la taille de chaque dimension. ndim est le nombre de dimensions. size est le nombre total d’éléments.
import numpy as np
m = np.ones((3, 4))
print(m.shape) # (3, 4)
print(m.ndim) # 2
print(m.size) # 12
print(m.dtype) # float64Modifier la forme
reshape() renvoie une vue avec une nouvelle forme (les mêmes données). flatten() renvoie une copie sous forme de tableau à une dimension.
import numpy as np
arr = np.arange(12)
mat = arr.reshape(3, 4)
print(mat)
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]
print(mat.flatten()) # [ 0 1 2 3 ...]Conversion de type
Utilisez arr.astype(dtype) pour convertir un tableau vers un autre type. Cette opération renvoie toujours une copie.
import numpy as np
arr = np.array([1, 2, 3])
float_arr = arr.astype(np.float64)
print(float_arr) # [1. 2. 3.]
print(float_arr.dtype) # float64Tableaux aléatoires
Générez des tableaux aléatoires avec np.random : uniformes, normaux ou contenant des entiers.
import numpy as np
rng = np.random.default_rng(seed=42) # reproducible
print(rng.random(5)) # 5 uniform [0,1)
print(rng.standard_normal(3)) # 3 normal(0,1)
print(rng.integers(1, 10, 4)) # 4 ints [1,10)Inspecter la mémoire d’un tableau
itemsize indique le nombre d’octets par élément ; nbytes indique le nombre total d’octets.
import numpy as np
arr = np.zeros(1_000_000, dtype=np.float64)
print(arr.itemsize) # 8
print(arr.nbytes) # 8_000_000 (8 MB)
small = arr.astype(np.float32)
print(small.nbytes) # 4_000_000 (4 MB)np.empty et np.full
np.empty alloue de l’espace sans initialiser les valeurs (c’est rapide). np.full remplit le tableau avec une valeur constante.
import numpy as np
e = np.empty((2,3)) # uninitialised — random garbage values
f = np.full((2,3), fill_value=7)
print(f)
# [[7 7 7]
# [7 7 7]]Copie ou vue
Le découpage d’un tableau NumPy renvoie une vue (sans copie). Modifier la vue modifie le tableau original. Utilisez .copy() pour obtenir un tableau indépendant.
import numpy as np
arr = np.array([1, 2, 3, 4])
view = arr[1:3]
view[0] = 99
print(arr) # [ 1 99 3 4] — original changed!
copy = arr[1:3].copy()
copy[0] = 0
print(arr) # unchangedTableaux structurés
Les tableaux structurés stockent des données hétérogènes (comme une structure C) dans un seul ndarray avec des champs nommés.
import numpy as np
dt = np.dtype([('name', 'U10'), ('age', np.int32), ('score', np.float64)])
people = np.array([
('Alice', 30, 95.5),
('Bob', 25, 87.3),
], dtype=dt)
print(people['name']) # ['Alice' 'Bob']Vérification rapide
Que renvoie arr.reshape(3, 4) ?
Récapitulatif
Le ndarray de NumPy est un tableau de type fixe stocké dans une mémoire contiguë. Attributs clés : shape, dtype, ndim et nbytes. Le découpage renvoie des vues : utilisez .copy() pour obtenir une copie indépendante. Choisissez le plus petit type de données suffisant pour économiser de la mémoire.
Questions Fréquemment Posées
La leçon « Tableaux NumPy et dtypes » est-elle gratuite ?
Oui — le texte complet de « Tableaux NumPy et dtypes » 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 Python Academy, passe à CoddyKit PRO. Le cours Python Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Tableaux NumPy et dtypes » ?
Créez des ndarrays, comprenez les dtypes et explorez les propriétés des tableaux. Tu pratiques Python 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 Python Academy ?
Aucune expérience préalable n'est requise. Python 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 « Tableaux NumPy et dtypes » ?
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 Python Academy ?
Oui. Chaque leçon Python 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
- Tableaux NumPy et dtypes
- Opérations sur les tableaux et broadcasting
- Indexation, tranches et indexation avancée
- Algèbre linéaire avec NumPy