Aller au contenu principal

Introduction à NumPy

Qu'est-ce que NumPy ?​

NumPy (Numerical Python) est une bibliothèque essentielle pour le calcul scientifique en Python. Elle permet de manipuler efficacement des tableaux de données à plusieurs dimensions appelés ndarray et offre une vaste collection de fonctions mathématiques optimisées pour les opérations sur ces tableaux.

Avantages de NumPy​

  1. Performances accrues : Les tableaux NumPy sont plus rapides et utilisent moins de mémoire que les listes Python classiques.
  2. Syntaxe concise et expressive : Les opérations sur les tableaux sont plus simples et ressemblent à celles de MATLAB ou R.
  3. Large écosystème scientifique : De nombreuses bibliothèques comme SciPy, Pandas et Matplotlib reposent sur NumPy.
  4. Gestion efficace des opérations mathématiques : Opérations vectorielles, algèbre linéaire, génération de nombres aléatoires, etc.

Installation de NumPy​

Après avoir activé votre environnement virtuel, vous pouvez installer NumPy avec la commande suivante :

python -m pip install numpy

Le concept de ndarray​

L'objet fondamental de NumPy est le ndarray (N-dimensional array), qui est une structure de données optimisée pour le stockage et la manipulation de tableaux multidimensionnels.

Quelques propriétés importantes des ndarray :

  • Homogène : Tous les éléments d'un tableau NumPy sont du même type (contrairement aux listes Python qui peuvent contenir des types mixtes).
  • Indexation avancée : Possibilité d'accéder et de modifier des sous-ensembles de données facilement.
  • Support des opérations vectorielles : Permet d'appliquer des fonctions sur tout un tableau sans boucle explicite.

Exemple de création et manipulation d'un ndarray :

import numpy as np

# Création d'un tableau NumPy
arr = np.array([1, 2, 3, 4, 5])
print(arr)
print("Type de l'objet:", type(arr))  # <class 'numpy.ndarray'>
print("Type des éléments:", arr.dtype)  # int64

Différence de performance entre les listes Python et NumPy​

NumPy est bien plus efficace que les listes Python en termes de performances et d'utilisation de mémoire. L'exécution avec NumPy est beaucoup plus rapide car les opérations sont optimisées en C. L'utilisation mémoire est bien moindre, car les tableaux NumPy utilisent des types de données fixes, contrairement aux listes Python qui stockent des objets dynamiques.

Voici un exemple comparant le temps d'exécution et la mémoire utilisée par une opération sur une liste Python et un tableau NumPy.

import numpy as np
import time
import sys

# Taille du tableau
size = 10_000_000

# Liste Python
list_py = list(range(size))
start_py = time.time()
list_py = [x * 2 for x in list_py]
end_py = time.time()
print(f"Temps d'exécution (listes Python) : {end_py - start_py:.3f} secondes")
sz = sys.getsizeof(list_py[0]) * len(list_py) + sys.getsizeof(list_py)
print(f"Taille en mémoire (listes Python) : {sz / 1_000_000:.1f} Mo")

# Tableau NumPy
arr_np = np.arange(size)
start_np = time.time()
arr_np = arr_np * 2
end_np = time.time()
print(f"Temps d'exécution (NumPy) : {end_np - start_np:.3f} secondes")
print(f"Taille en mémoire (NumPy) : {arr_np.nbytes / 1_000_000:.1f} Mo")

# Comparaison des résultats
gain = (end_py - start_py) / (end_np - start_np)
# Environ 20 à 40 fois plus rapide
print(f"Nympy est {gain:.2f} fois plus rapide.")
# Environ 4 fois moins de mémoire
print(f"NumPy utilise {round(sz / arr_np.nbytes, 2)} fois moins de mémoire.")

Conclusion​

NumPy est un outil indispensable pour la manipulation efficace de données numériques en Python. Son utilisation permet d'améliorer significativement les performances de calcul et de réduire la consommation mémoire. Son adoption est essentielle pour tout étudiant en informatique souhaitant travailler avec des données massives ou faire de l'analyse numérique.