Skip to content

NumPy Aide-mémoire

Package fondamental pour le calcul numérique avec Python.

01

Premiers pas

Qu'est-ce que NumPy ?

La puissance de NumPy vient du ndarray : un tableau n-D homogène en mémoire contiguë. Comme tous les éléments partagent un type et vivent dans un seul bloc, les opérations tournent en code C/Fortran compilé (vectorisation), ce qui les rend 10 à 100x plus rapides que les boucles Python équivalentes. Presque tout l'écosystème scientifique Python (pandas, scikit-learn, PyTorch, TensorFlow) est construit sur les tableaux NumPy.

numpy
# NumPy: the fundamental package for numerical computing in Python.
# Core data structure: the n-dimensional array (ndarray).

# Key advantages over pure Python lists:
# - Homogeneous, contiguous memory -> fast vectorized ops
# - Broadcasting: operate on arrays of different shapes
# - Rich set of math / linear algebra / FFT / random routines
# - C/Fortran backend -> orders of magnitude faster than Python loops

import numpy as np
print(np.__version__)   # e.g. 1.26.0

Installation et import

np est l'alias quasi universel de NumPy — tous les tutoriels et bibliothèques l'attendent, donc restez-y. Si vous avez besoin d'une build optimisée CPU, conda livre souvent un NumPy lié à MKL, plus rapide pour l'algèbre linéaire que le défaut pip.

numpy
# Install NumPy
pip install numpy
# Or with conda
conda install numpy

# The universal convention is to alias as np
import numpy as np

a = np.array([1, 2, 3])
print(a)            # [1 2 3]
print(type(a))      # <class 'numpy.ndarray'>

Attributs du ndarray

Connaître ces attributs est le socle du débogage NumPy. shape et dtype sont les plus courants : shape donne la structure, dtype l'empreinte mémoire. itemsize * size = nbytes permet d'estimer l'usage mémoire avant d'allouer d'énormes tableaux.

numpy
import numpy as np

a = np.array([[1, 2, 3], [4, 5, 6]], dtype=np.int64)

a.ndim      # 2          -> number of axes (dimensions)
a.shape     # (2, 3)     -> tuple of axis sizes
a.size      # 6          -> total elements = prod(shape)
a.dtype     # int64      -> element type
a.itemsize  # 8          -> bytes per element
a.nbytes    # 48         -> total bytes = size * itemsize
a.T         # shape (3, 2) transposed view
a.flat      # flat iterator over all elements

Types de données (dtype)

Choisir le bon dtype est critique pour la mémoire et la justesse. float32 réduit de moitié la mémoire vs float64 avec peu de perte de précision pour la plupart des travaux ML. int8/int16 peuvent déborder en silence — np.array([200], dtype=np.int8) devient -56. Choisissez toujours le plus petit dtype contenant sans risque votre plage, surtout pour de grands tableaux et les déploiements embarqués/edge.

numpy
import numpy as np

# Specifying dtype at creation
a = np.array([1, 2, 3], dtype=np.float32)
b = np.array([1, 2, 3], dtype="float32")   # string form works too

# Integer types: int8 int16 int32 int64 (and unsigned uint*)
# Float types:   float16 float32 float64 (default)
# Complex:       complex64 complex128
# Others:        bool, string_, unicode_, object

# Cast an existing array
c = a.astype(np.int32)

# Default int/float match the platform
print(np.dtype(int).itemsize)        # 4 or 8
print(np.dtype(float).itemsize)      # 8

# Beware overflow:
small = np.array([200], dtype=np.int8)   # wraps around!

Tableau vs liste Python

La version en compréhension de liste tourne dans l'interpréteur Python (un bytecode par élément) ; la version NumPy délègue à une unique boucle C sur mémoire contiguë. Pour les charges numériques, NumPy est typiquement 20 à 100x plus rapide et bien plus économe (pas d'objet Python par élément). N'utilisez les listes que pour des types hétérogènes ou des données non numériques.

numpy
import numpy as np
import time

# Python list: element-wise multiply needs a loop or comprehension
py_list = list(range(1_000_000))
start = time.perf_counter()
py_sq = [x * 2 for x in py_list]
print("list:", time.perf_counter() - start)

# NumPy: vectorized, runs in C
arr = np.arange(1_000_000)
start = time.perf_counter()
np_sq = arr * 2
print("numpy:", time.perf_counter() - start)

# NumPy is typically 20-100x faster for numeric workloads.
# Lists are heterogeneous & flexible; arrays are homogeneous & fast.
02

Création de tableaux

Depuis des structures Python

np.array() convertit listes/tuples (ou tout itérable imbriqué) en ndarray. La profondeur d'imbrication détermine le nombre de dimensions. Spécifiez dtype à la création pour éviter une copie supplémentaire ensuite — np.array([1,2,3]) passe en int64 par défaut sur la plupart des plateformes, donc si vous voulez des flottants passez dtype=float.

numpy
import numpy as np

# From a list (1-D)
a = np.array([1, 2, 3])

# From a list of lists (2-D)
b = np.array([[1, 2, 3],
              [4, 5, 6]])

# From nested lists (3-D)
c = np.array([[[1, 2], [3, 4]],
              [[5, 6], [7, 8]]])

# Specify dtype up front
d = np.array([1, 2, 3], dtype=np.float32)

# From any iterable
e = np.array(range(5))         # [0 1 2 3 4]
f = np.array((1, 2, 3))        # from a tuple

Plages et grilles intégrées

Préférez linspace à arange pour les flottants — le pas d'arange peut produire des bornes décalées d'une unité par arrondi en virgule flottante. meshgrid est la façon standard de construire des grilles de coordonnées pour le tracé 3D, le traitement d'image et les calculs par différences finies. Utilisez np.mgrid / np.ogrid pour des grilles ouvertes (économes en mémoire).

numpy
import numpy as np

# arange: like range but returns array (watch float edge!)
np.arange(0, 10, 2)         # [0 2 4 6 8]
np.arange(0, 1, 0.1)        # may or may not include 1.0 (float!)

# linspace: exactly num points, endpoints included by default
np.linspace(0, 1, 5)        # [0.   0.25 0.5  0.75 1.  ]

# logspace: 10**start .. 10**stop
np.logspace(0, 3, 4)        # [   1.   10.  100. 1000.]

# Meshgrids for evaluating functions on a grid
x = np.linspace(-2, 2, 5)
y = np.linspace(-2, 2, 5)
X, Y = np.meshgrid(x, y)
Z = X**2 + Y**2             # 5x5 grid of values

Zeros, ones et constantes

zeros/ones/full préremplissent le buffer ; empty saute le remplissage, donc le plus rapide quand vous allez écraser chaque élément de toute façon (ex. comme buffer de sortie). eye(k=n) construit l'identité ; eye(k=1) décale la diagonale vers le haut. Passez toujours dtype à zeros/ones — ils passent en float64 par défaut, ce qui gaspille la mémoire si vous vouliez des entiers.

numpy
import numpy as np

np.zeros((2, 3))            # 2x3 of float64 zeros
np.zeros((2, 3), dtype=int) # 2x3 of int zeros
np.ones((3, 3))             # 3x3 of ones
np.full((2, 2), 7)          # 2x2 filled with 7
np.full((2, 2), np.pi)      # fill with any constant

# Identity & eye
np.eye(3)                   # 3x3 identity matrix
np.eye(3, k=1)              # identity shifted up by one diagonal
np.diag([1, 2, 3])          # diagonal matrix from a vector

# Empty: uninitialized memory (fastest, but garbage values)
np.empty((2, 2))            # allocate without filling

Tableaux aléatoires

Utilisez np.random.default_rng(seed) — le Generator moderne est plus rapide, statistiquement meilleur et reproductible. La vieille API np.random.rand/randn/seed repose sur un état global et est déconseillée dans le nouveau code. Passez toujours une graine explicite pour la reproductibilité des expériences et tests ; sans elle, les résultats diffèrent entre exécutions.

numpy
import numpy as np

rng = np.random.default_rng(seed=42)   # modern Generator (NumPy >= 1.17)

rng.random((2, 3))           # uniform in [0, 1), shape (2, 3)
rng.standard_normal((2, 3))  # standard normal (mean 0, std 1)
rng.normal(100, 15, size=5)  # normal(mu=100, sigma=15)
rng.uniform(0, 10, size=5)   # uniform in [low, high)
rng.integers(0, 10, size=5)  # random ints in [low, high)

# Reproducibility: always pass a seed
rng2 = np.random.default_rng(42)
print(rng2.random(3))        # same every run

# Legacy API (still common but prefer default_rng)
# np.random.rand(2, 3)      # uniform [0,1)
# np.random.randn(2, 3)     # standard normal

Copier des tableaux existants

Le slicing et .view() créent des vues partageant la mémoire — modifier l'un change l'autre. Utilisez .copy() quand vous avez besoin d'un tableau indépendant. Reshape, ravel, transpose retournent aussi des vues quand possible, donc toujours .copy() avant mutation si vous devez garder l'original. L'oublier est l'un des bugs NumPy les plus fréquents.

numpy
import numpy as np
a = np.array([1, 2, 3])

# View (shares memory!) - shape change only
v = a.view()
v[0] = 99
print(a)   # [99  2  3]   <- a is mutated!

# Deep copy (independent)
b = a.copy()
b[0] = 0
print(a)   # [99  2  3]   <- a unchanged

# np.array defaults to copying
c = np.array(a)
c is a    # False

# Repeat / tile to expand arrays
np.repeat([1, 2, 3], 2)   # [1 1 2 2 3 3]
np.tile([1, 2, 3], 2)     # [1 2 3 1 2 3]
03

Indexation et slicing

Slicing simple

Le slicing suit la convention Python [start:stop:step] avec stop exclu. Crucial : les slices NumPy sont des vues — elles partagent la mémoire avec la source, donc muter une slice mute l'original. C'est voulu (économie mémoire) mais source fréquente de bugs. Utilisez .copy() quand vous avez besoin d'un tableau indépendant.

numpy
import numpy as np
a = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

a[0]          # 0      (scalar)
a[-1]         # 9      (last element)
a[2:5]        # [2 3 4]    start:stop (stop excluded)
a[:5]         # [0 1 2 3 4]
a[5:]         # [5 6 7 8 9]
a[::2]        # [0 2 4 6 8]   step=2
a[::-1]       # [9 8 7 6 5 4 3 2 1 0]  reversed
a[1:7:2]      # [1 3 5]       start:stop:step

# Slices return VIEWS (not copies) -> editing changes the original
b = a[2:5]
b[0] = 99
print(a[2])   # 99   <- a was modified!

Indexation multidimensionnelle

Utilisez a[i, j] plutôt que a[i][j] — la forme à virgule est une seule opération et plus rapide. a[:, j] prend une colonne entière. Utilisez ... (Ellipsis) sur les tableaux de dimension 3+ pour signifier « tous les axes restants », évitant d'écrire de nombreux deux-points. Chaque slice retourne une vue.

numpy
import numpy as np
a = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]])

a[1, 2]       # 6      (row 1, col 2) - equivalent to a[1][2] but faster
a[0]          # [1 2 3]   (row 0)
a[0, :]       # [1 2 3]   (row 0, all cols)
a[:, 1]       # [2 5 8]   (all rows, col 1)
a[1:3, 0:2]   # [[4 5]
              #  [7 8]]     rows 1-2, cols 0-1
a[-1]         # [7 8 9]    last row
a[:, -1]      # [3 6 9]    last column

# ... (ellipsis) selects any remaining full axes
b = np.zeros((2, 3, 4))
b[..., 0]     # shape (2, 3) - last axis indexed, others kept
b[1, ...]     # shape (3, 4) - first axis indexed

Indexation booléenne / masque

L'indexation booléenne retourne toujours une COPIE, jamais une vue — muter est sans risque. Combinez les masques avec & | ~ (pas avec and/or — ceux-ci opèrent sur la vérité du tableau et lèvent une erreur). np.where retourne des indices ; np.where(cond, x, y) est un ternaire vectorisé. C'est le cheval de bataille du filtrage et de la logique conditionnelle.

numpy
import numpy as np
a = np.array([1, 2, 3, 4, 5, 6])

# Build a boolean mask
mask = a > 3
# [False False False  True  True  True]

a[mask]            # [4 5 6]   (select elements where mask is True)
a[a > 3]           # same, in one expression
a[(a > 2) & (a < 6)]   # [3 4 5]   combine with & (and), | (or), ~ (not)

# Modify via mask
a[a > 3] = 0       # set all matching elements
a[a == 0] = -1     # conditional assignment

# Count matching elements
(a > 3).sum()      # 3   (True == 1)
np.count_nonzero(a > 3)

# np.where: positions where condition is True
np.where(a > 3)    # (array([3, 4, 5]),) indices

Indexation fancy / par tableau d'entiers

L'indexation fancy (par tableau d'entiers) retourne aussi une copie, jamais une vue. Quand on indexe un tableau 2-D avec deux tableaux d'indices b[rows, cols], les tableaux sont appariés élément à élément (donnant des points), PAS un produit cartésien. Pour le produit cartésien, utilisez np.ix_(rows, cols). Cette distinction embrouille souvent.

numpy
import numpy as np
a = np.array([10, 20, 30, 40, 50])

# Index with a list/array of indices
a[[0, 2, 4]]         # [10 30 50]
a[np.array([0, 2, 4])]   # same

# Indices can repeat
a[[0, 0, 1]]         # [10 10 20]

# Negative indices work
a[[-1, -2]]          # [50 40]

# 2-D fancy indexing
b = np.arange(12).reshape(3, 4)
rows = np.array([0, 2])
cols = np.array([1, 3])
b[rows, cols]        # [1 11]   pairs (0,1) and (2,3)

# Mix a slice and an index array
b[1:, [0, 2]]        # rows 1-2, cols 0 and 2

# np.take: same as fancy indexing, more flexible
np.take(a, [0, 2])   # [10 30]

Affectation par index et np.where

np.where(cond, x, y) est un if-else vectorisé — extrêmement courant pour construire des tableaux selon des conditions. Avec un seul argument, il retourne les indices où la condition est True. np.select gère plusieurs conditions mutuellement exclusives, et np.clip est une façon propre de borner des valeurs sans écrire des masques explicites.

numpy
import numpy as np
a = np.array([1, 2, 3, 4, 5, 6])

# Conditional assignment with a mask
a[a % 2 == 0] = -1     # even -> -1: [1 -1 3 -1 5 -1]

# np.where(cond, x, y): vectorized ternary
b = np.where(a > 3, "big", "small")
# ['small' 'small' 'small' 'big' 'big' 'big']

# np.where with one argument -> indices of True
idx = np.where(a == -1)
# (array([1, 3, 5]),)

# np.select: multiple conditions, multiple choices
conds = [a < 3, a > 3, a == 3]
choices = ["low", "high", "mid"]
np.select(conds, choices, default="ok")

# np.clip: clamp values to a range
np.clip(a, 0, 4)       # values < 0 -> 0, > 4 -> 4
04

Reformage et manipulation de forme

reshape et inférence -1

reshape change la forme en gardant la même taille totale. Utilisez -1 pour une dimension et NumPy l'infère de la taille — un seul -1 autorisé. reshape retourne généralement une vue (pas de copie), donc muter le tableau reformé mute l'original. Le nombre total d'éléments doit rester constant sinon ValueError.

numpy
import numpy as np
a = np.arange(12)        # [0 1 2 ... 11], shape (12,)

# reshape to (3, 4)
b = a.reshape(3, 4)
# [[ 0  1  2  3]
#  [ 4  5  6  7]
#  [ 8  9 10 11]]

# Use -1 to infer one dimension
a.reshape(2, -1)         # (2, 6)  - -1 means "figure it out"
a.reshape(-1, 3)         # (4, 3)
a.reshape(2, -1, 2)      # (2, 3, 2)  only one -1 allowed

# Total size must match -> ValueError otherwise
# a.reshape(5, 3)        # 5*3 = 15 != 12

# reshape returns a view when possible (no copy)
b[0, 0] = 99
print(a[0])              # 99   <- a was modified

Flatten et ravel

ravel() retourne une vue (rapide, partage la mémoire) tandis que flatten() retourne toujours une copie (sûr mais plus lent et 2x mémoire). Utilisez ravel pour simplement itérer, flatten pour muter le résultat sans affecter l'original. L'argument order compte en interopérant avec du code Fortran ou MATLAB.

numpy
import numpy as np
a = np.array([[1, 2, 3],
              [4, 5, 6]])

# ravel: returns a VIEW (C order by default) - efficient
a.ravel()              # [1 2 3 4 5 6]
a.ravel(order='F')     # [1 4 2 5 3 6]   Fortran (column) order

# flatten: always returns a COPY - safe to mutate
flat = a.flatten()
flat[0] = 99
print(a[0, 0])         # 1   <- a unchanged

# Order conventions:
# 'C' (default): last axis varies fastest (row-major)
# 'F':           first axis varies fastest (column-major)
# 'A':           Fortran order if array is F-contiguous, else C
# 'K':           preserve memory order

Transpose et échange d'axes

La transposition n'est qu'une vue réordonnant la lecture mémoire — aucune donnée copiée, donc pas cher, mais le résultat peut être non contigu. Pour du 2-D, .T suffit ; pour 3 dimensions et plus, utilisez transpose(ordre_axes), swapaxes ou moveaxis pour contrôler exactement quel axe va où. Les opérations sur tableaux non contigus peuvent être plus lentes, donc np.ascontiguousarray peut aider dans les boucles chaudes.

numpy
import numpy as np
a = np.arange(12).reshape(3, 4)

a.T                 # shape (4, 3)   transpose (2-D)
a.transpose()       # same

# For 3+ dimensions, specify axis order
b = np.arange(24).reshape(2, 3, 4)
b.transpose(1, 0, 2)   # shape (3, 2, 4)  axes reordered
b.swapaxes(0, 1)       # shape (3, 2, 4)  swap two axes
b.T                   # shape (4, 3, 2)  reverse all axes

# Move axes to new positions
np.moveaxis(b, 0, -1)  # shape (3, 4, 2)

# All of these return VIEWS (no data copy)

Empiler des tableaux

stack ajoute un NOUVEL axe (transforme deux tableaux 1-D en un 2-D) ; concatenate joint le long d'un axe EXISTANT. vstack/hstack/dstack sont des wrappers pratiques pour du 1-D et 2-D. Pour des dispositions complexes, np.block accepte des listes imbriquées de tableaux, comme bâtir une matrice depuis des sous-blocs. Toutes les fonctions d'empilement créent de nouveaux tableaux (copies).

numpy
import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

# Stack along a NEW axis
np.stack([a, b])            # shape (2, 3)  - default axis=0
np.stack([a, b], axis=1)    # shape (3, 2)  column stack

# Concatenate along an EXISTING axis
np.concatenate([a, b])              # [1 2 3 4 5 6]
np.vstack([a, b])                  # shape (2, 3)  vertical
np.hstack([a, b])                  # [1 2 3 4 5 6] horizontal
np.dstack([a, b])                  # shape (1, 3, 2) depth

# 2-D arrays
A = np.ones((2, 2))
B = np.zeros((2, 2))
np.hstack([A, B])   # shape (2, 4)
np.vstack([A, B])   # shape (4, 2)

# np.block: build from nested blocks
np.block([[A, B], [B, A]])   # shape (4, 4)

Scinder des tableaux

split exige des morceaux de taille égale (ValueError sinon) tandis que array_split permet une division inégale — pratique quand N ne divise pas rond. vsplit/hsplit/dsplit sont des helpers spécifiques d'axe équivalents à np.split(arr, n, axis=...). Toutes retournent des listes de vues sur le tableau d'origine, donc économes en mémoire.

numpy
import numpy as np
a = np.arange(12)

# Split into equal parts (must divide evenly)
np.split(a, 3)        # [array([0,1,2,3]), array([4,5,6,7]), array([8,9,10,11])]

# Split at specific indices
np.split(a, [3, 5])   # [array([0,1,2]), array([3,4]), array([5,6,7,8,9,10,11])]

# 2-D
b = np.arange(16).reshape(4, 4)
np.vsplit(b, 2)       # split along rows -> 2 arrays of shape (2, 4)
np.hsplit(b, 2)       # split along cols -> 2 arrays of shape (4, 2)

# array_split: allows uneven division
np.array_split(np.arange(10), 3)  # sizes [4, 3, 3] - no error

# dsplit: split along depth (axis 2)
c = np.arange(24).reshape(2, 2, 6)
np.dsplit(c, 3)       # 3 arrays of shape (2, 2, 2)
05

Broadcasting

Règles du broadcasting

Le broadcasting permet de combiner des tableaux de formes différentes en développant virtuellement les axes de taille 1 — aucune donnée copiée réellement. La règle : comparez les formes depuis la droite ; chaque axe doit être égal ou l'un des deux doit valoir 1 (ou être absent). C'est ce qui rend le code NumPy concis (pas de boucles explicites) mais aussi une source fréquente de bugs de forme silencieux — vérifiez toujours les shapes quand quelque chose cloche.

numpy
import numpy as np

# Broadcasting: operate on arrays of different shapes without copying.
# Two shapes are compatible if, for each trailing axis, they are
# equal OR one of them is 1.

# Scalar broadcast to any array
a = np.array([1, 2, 3])
a + 10            # [11 12 13]   10 treated as shape ()

# 1-D with 2-D
A = np.ones((3, 4))
row = np.array([10, 20, 30, 40])
A + row           # row (4,) broadcast to (3, 4) -> added to each row

col = np.array([[100], [200], [300]])   # shape (3, 1)
A + col           # col broadcast across columns -> added to each column

# Incompatible shapes raise ValueError
# A + np.array([1, 2, 3])   # (3,4) vs (3,) -> error

Ajouter des axes pour le broadcasting

np.newaxis (alias None) insère un axe de taille 1, l'astuce standard pour reformer des tableaux afin qu'ils broadcastent comme on veut. Ajouter un axe colonne (a[:, None]) et un axe ligne (a[None, :]) permet de calculer produits extérieurs, différences par paires et plus, sans écrire de boucles. np.expand_dims est l'équivalent nommé, plus lisible.

numpy
import numpy as np
a = np.array([1, 2, 3])          # shape (3,)
b = np.array([10, 20, 30, 40])   # shape (4,)

# a + b would fail (3,) vs (4,)
# Insert a new axis so shapes become (3, 1) and (4,) -> broadcasts to (3, 4)

a_col = a[:, np.newaxis]   # shape (3, 1)  - same as a.reshape(-1, 1)
b_row = b[np.newaxis, :]   # shape (1, 4)

outer = a_col + b_row      # shape (3, 4)  outer sum
# [[11 21 31 41]
#  [12 22 32 42]
#  [13 23 33 43]]

# np.newaxis / None are equivalent
a[:, None]                 # same as a[:, np.newaxis]

# np.expand_dims is the explicit function form
np.expand_dims(a, axis=1)  # shape (3, 1)

Produits extérieurs et opérations par paires

Ajouter un nouvel axe pour convertir une opération 1-D en calcul 2-D de type extérieur est l'idiome clé du NumPy vectorisé. a[:, None] - b[None, :] calcule toutes les différences par paires sans boucles — bien plus rapide que des boucles Python imbriquées. Ce motif alimente les matrices de distances, les calculs de noyaux et les opérations de grille.

numpy
import numpy as np
a = np.array([1, 2, 3])
b = np.array([10, 20, 30, 40])

# Outer product (3,) x (4,) -> (3, 4)
np.outer(a, b)
# [[10 20 30 40]
#  [20 40 60 80]
#  [30 60 90 120]]

# Manual outer via broadcasting
a[:, None] * b[None, :]      # same as np.outer(a, b)

# Pairwise difference: (4,) - (3,) -> (4, 3) or (3, 4)?
diff = b[:, None] - a[None, :]   # shape (4, 3): diff[i, j] = b[i] - a[j]

# Pairwise equality (used in set ops, distance)
x = np.array([1, 2, 3, 4])
y = np.array([2, 4, 6])
x[:, None] == y[None, :]     # shape (4, 3) boolean matrix

# Add a constant vector to each row of a matrix
M = np.zeros((5, 3))
v = np.array([1, 2, 3])
M + v                        # broadcasts v to every row

Pièges courants du broadcasting

Un tableau 1-D de forme (N,) broadcaste comme une LIGNE contre un tableau 2-D — ce n'est PAS un vecteur colonne. Pour en faire une colonne, il faut ajouter un axe : a[:, None]. Attention au broadcasting involontaire quand vous ajoutez des axes — deux tableaux (1000, 1000) peuvent exploser en un intermédiaire (1000, 1000, 1000) (8 Go) et crasher le programme. Vérifiez toujours les shapes avec .shape avant les gros calculs.

numpy
import numpy as np

# Pitfall 1: (N,) is NOT a row or column vector - it has no axis direction
a = np.array([1, 2, 3])
M = np.ones((3, 3))
M + a            # OK: (3,3) + (3,) -> a broadcast as a ROW
M + a[:, None]   # OK: a as a COLUMN

# Pitfall 2: accidentally broadcasting when you wanted element-wise
x = np.array([1, 2, 3])
y = np.array([10, 20, 30])
x + y            # [11 22 33]   element-wise (both (3,))
x[:, None] + y   # (3,3) matrix  - probably not what you wanted!

# Pitfall 3: shape (1,) vs () - both broadcast but mean different things
np.array([5]).shape   # (1,)
np.array(5).shape     # ()  - 0-D, broadcasts to ANYTHING

# Pitfall 4: memory blow-up from over-broadcasting
# Big arrays broadcast together can produce enormous intermediates
A = np.ones((1000, 1000))
B = np.ones((1000, 1000))
(A * B).sum()    # OK - intermediate is 8MB
# A[:, None, :] * B[None, :, :]   # (1000,1000,1000) = 8GB! crash

Broadcasting avec np.broadcast_to

np.broadcast_to permet de créer explicitement une vue broadcastée — utile quand une API exige une forme précise mais qu'on veut éviter le coût mémoire d'une copie complète. Le résultat est en lecture seule car les données sous-jacentes sont plus petites que la forme ne le suggère. np.broadcast_arrays est pratique pour itérer sur plusieurs tableaux comme s'ils avaient la même forme.

numpy
import numpy as np

# np.broadcast_to: explicit view of an array broadcast to a new shape
a = np.array([1, 2, 3])            # shape (3,)
b = np.broadcast_to(a, (4, 3))     # shape (4, 3) - VIEW, no copy
# [[1 2 3]
#  [1 2 3]
#  [1 2 3]
#  [1 2 3]]
b[0, 0] = 99   # ERROR: broadcast_to returns read-only view

# np.broadcast_arrays: broadcast several arrays together (as views)
x = np.array([1, 2, 3])           # (3,)
y = np.array([[10], [20]])        # (2, 1)
bx, by = np.broadcast_arrays(x, y)
bx.shape   # (2, 3)
by.shape   # (2, 3)

# np.broadcast: low-level iterator object
b = np.broadcast(x, y)
b.shape    # (2, 3)
b.index    # current position in the iteration
b.iters    # list of iterators over each input
06

Opérations mathématiques

Arithmétique élément par élément

Les opérateurs NumPy (+, *, **) mappent vers des ufuncs (np.add, np.multiply, np.power) et opèrent élément par élément. L'opérateur * est élément par élément, PAS une multiplication matricielle — utilisez @ ou np.dot pour cela. Les opérateurs in-place (+=, *=) économisent la mémoire en réutilisant le buffer ; ils exigent dtype et forme compatibles (après broadcasting).

numpy
import numpy as np
a = np.array([1, 2, 3, 4])
b = np.array([10, 20, 30, 40])

a + b       # [11 22 33 44]
a - b       # [-9 -18 -27 -36]
a * b       # [10 40 90 160]   element-wise (NOT matrix product)
a / b       # [0.1 0.1 0.1 0.1]  always float
a // b      # [0 0 0 0]        floor division
a ** 2      # [1 4 9 16]       power
a % 2       # [1 0 1 0]        modulo
-a          # [-1 -2 -3 -4]    negation

# In-place ops (modify a, save memory)
a += 10
a *= 2

# Scalar ops broadcast
a + 100     # [102 104 106 108]

# Universal functions (ufuncs) - same operations as function form
np.add(a, b)
np.multiply(a, b)
np.power(a, 2)

Fonctions universelles (ufuncs)

Les ufuncs sont des fonctions vectorisées opérant élément par élément en C compilé — bien plus rapides que le module math de Python appliqué en boucle. np.maximum (max élément par élément de deux tableaux) diffère de np.max (max d'un tableau). Utilisez np.fmax pour ignorer les NaN dans les comparaisons. Toutes les ufuncs supportent out= pour écrire dans un buffer préalloué, pour des boucles chaudes sans allocation.

numpy
import numpy as np
a = np.array([-1.5, 0.0, 1.5, 2.5])

# Math ufuncs
np.abs(a)         # [1.5 0.  1.5 2.5]
np.sqrt(np.abs(a))
np.exp(a)         # e^a
np.log(np.abs(a) + 1)
np.log2(a + 5)
np.log10(a + 5)

# Rounding
np.round(a)       # [-2.  0.  2.  2.]
np.floor(a)       # [-2.  0.  1.  2.]
np.ceil(a)        # [-1.  0.  2.  3.]
np.trunc(a)       # [-1.  0.  1.  2.]  truncate toward zero

# Trigonometry (radians)
np.sin(np.pi/2)   # 1.0
np.cos(0)         # 1.0
np.degrees(np.pi) # 180.0
np.radians(180)   # 3.14159...

# Comparison ufuncs
np.greater(a, 0)  # [False False True True]
np.maximum(a, 0)  # clip negatives to 0  (element-wise max)
np.minimum(a, 0)

Opérations de réduction

Les réductions (sum, mean, max, min, std) opèrent sur tout le tableau par défaut, ou le long d'un axe avec axis=. axis=0 réduit les lignes (effondrement vertical), axis=1 les colonnes (horizontal). Utilisez keepdims=True pour garder l'axe réduit à taille 1 — essentiel pour rebroadcasting le résultat. Passez toujours dtype=np.float64 quand vous sommez des entiers pouvant déborder.

numpy
import numpy as np
a = np.array([[1, 2, 3],
              [4, 5, 6]])

# Global reductions
a.sum()         # 21
a.prod()        # 720
a.min(), a.max()
a.mean()        # 3.5
a.std(), a.var()
a.argmin(), a.argmax()   # indices of min/max (flattened)

# Axis-wise reductions
a.sum(axis=0)   # [5 7 9]   sum down each column
a.sum(axis=1)   # [6 15]    sum across each row
a.min(axis=1)   # [1 4]     min of each row
a.cumsum(axis=0)   # cumulative sum down columns
a.cumprod(axis=1)  # cumulative product across rows

# Keep dimensions
a.sum(axis=0, keepdims=True)   # shape (1, 3) - keeps the axis

# Specify dtype for accumulation (avoid overflow!)
a.sum(dtype=np.float64)

# NaN-aware versions
b = np.array([1.0, np.nan, 3.0])
np.nansum(b)    # 4.0   treats NaN as 0

Opérations cumulatives et scan

cumsum / cumprod gardent la forme de l'entrée et retournent des totaux courants. diff est la dérivée discrète, l'inverse de cumsum. Méfiez-vous du débordement entier dans cumsum — accumuler des int32 peut boucler en silence ; promouvez en int64 ou float par sécurité. La méthode .accumulate sur toute ufunc (np.maximum.accumulate) donne une réduction courante.

numpy
import numpy as np
a = np.array([1, 2, 3, 4, 5])

# Cumulative sum and product
np.cumsum(a)         # [ 1  3  6 10 15]
np.cumprod(a)        # [  1   2   6  24 120]

# 2-D: specify axis
b = np.array([[1, 2], [3, 4]])
np.cumsum(b, axis=0)   # [[1 2]
                       #  [4 6]]
np.cumsum(b, axis=1)   # [[1 3]
                       #  [3 7]]

# Differences (inverse of cumulative sum)
np.diff(a)            # [1 1 1 1]   a[i+1] - a[i]
np.diff(a, n=2)       # second-order diff [0 0 0]

# Edge: cumsum on integers can overflow silently
big = np.array([2**30, 2**30, 2**30], dtype=np.int32)
np.cumsum(big)        # wraps around - use int64 or float!

# Cumulative max / min
np.maximum.accumulate(a)   # [1 2 3 4 5]
np.minimum.accumulate(a)   # [1 1 1 1 1]

Comparaison et logique

Utilisez & | ~ sur les tableaux booléens (pas and/or — ils exigent une seule valeur de vérité). np.any / np.all réduisent un tableau booléen à un unique True/False, utiles dans les assertions et conditionnelles. N'utilisez jamais == sur les flottants — np.isclose ou np.allclose avec des tolérances adaptées (atol/rtol) gèrent l'arrondi flottant. allclose est le standard pour comparer des tableaux de flottants.

numpy
import numpy as np
a = np.array([1, 2, 3, 4, 5])

# Element-wise comparisons return boolean arrays
a > 3            # [False False False  True  True]
a == 3           # [False False  True False False]
a != 3
np.greater(a, 3)

# Logical ops on boolean arrays
b = (a > 2)
c = (a < 5)
np.logical_and(b, c)   # [False False  True  True False]
np.logical_or(b, c)
np.logical_not(b)
np.logical_xor(b, c)

# Array-level truth testing
np.any(a > 4)    # True
np.all(a > 0)    # True
np.all(a > 0, axis=0)  # per-axis
(a == 3).any()   # True

# np.isclose for float comparisons
np.isclose(0.1 + 0.2, 0.3)        # True  (handles float error)
np.allclose([0.1, 0.2], [0.1, 0.2 + 1e-9], atol=1e-8)  # True
07

Opérations statistiques

Statistiques de base

var/std passent à ddof=0 (population) par défaut, mais pandas passe à ddof=1 (échantillon) — source fréquente de décalage. Utilisez ddof=1 pour les statistiques d'échantillon. np.percentile prend des valeurs 0-100, np.quantile 0.0-1.0. np.corrcoef retourne la matrice de corrélation complète ; indexez [0, 1] pour le coefficient scalaire entre deux tableaux.

numpy
import numpy as np
a = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

a.mean()          # 5.5    arithmetic mean
a.median() if hasattr(a, 'median') else np.median(a)  # 5.5
a.var()           # 8.25   variance (population, ddof=0)
a.std()           # 2.87   standard deviation
a.min(), a.max()  # 1, 10
a.ptp()           # 9      peak-to-peak = max - min

# Sample vs population variance
a.var(ddof=1)     # sample variance (divide by N-1, like pandas default)

# Percentiles & quantiles
np.percentile(a, 50)    # 5.5   median
np.percentile(a, [25, 50, 75])  # [3.25 5.5  7.75]  quartiles
np.quantile(a, 0.5)     # 5.5   same as percentile / 100

# Correlation
x = np.array([1, 2, 3, 4])
y = np.array([2, 4, 5, 4])
np.corrcoef(x, y)       # 2x2 correlation matrix

Histogrammes et binning

np.histogram retourne effectifs et bords (edges a un élément de plus que bins). Utilisez density=True pour une densité de probabilité (aire = 1) au lieu des comptages bruts. np.histogram2d construit un histogramme 2-D utile pour heatmaps et distributions jointes. np.digitize mappe des valeurs vers des indices de bins ; np.bincount est un moyen rapide de compter les occurrences d'entiers.

numpy
import numpy as np
data = np.random.default_rng(42).standard_normal(1000)

# 1-D histogram
counts, edges = np.histogram(data, bins=10)
# counts: array of element counts per bin
# edges: array of bin edge positions (length = bins + 1)

# Custom bin edges
np.histogram(data, bins=[-3, -1, 0, 1, 3])

# Density (integrates to 1) vs counts
np.histogram(data, bins=20, density=True)

# 2-D histogram (for heatmaps)
x = np.random.default_rng(1).standard_normal(1000)
y = np.random.default_rng(2).standard_normal(1000)
H, xedges, yedges = np.histogram2d(x, y, bins=20)

# Digitize: which bin does each value fall into?
bins = [-2, -1, 0, 1, 2]
indices = np.digitize(data, bins)   # array of bin indices (1-based)

# Bincount: count occurrences of each non-negative int
np.bincount(np.array([0, 1, 1, 3, 3, 3]))   # [1 2 0 3]

Tri et statistiques d'ordre

argsort est la clé du classement : il retourne les indices qui trieraient le tableau, permettant de réordonner un autre tableau pareil. np.partition est bien plus rapide qu'un tri complet quand vous ne voulez que les top-k (O(n) vs O(n log n)). np.unique retourne les valeurs uniques triées ; passez return_counts=True pour un résumé façon histogramme.

numpy
import numpy as np
a = np.array([3, 1, 4, 1, 5, 9, 2, 6])

# Sorting
np.sort(a)             # [1 1 2 3 4 5 6 9]   returns a copy
a.sort()               # in-place sort (modifies a)
np.sort(a)[::-1]       # descending
np.argsort(a)          # indices that would sort a (no copy)

# 2-D sorting along axis
b = np.array([[3, 1, 2], [6, 5, 4]])
np.sort(b, axis=0)     # sort down each column
np.sort(b, axis=1)     # sort across each row (default)

# Partial sorting: top-k smallest (no full sort)
np.partition(a, 3)     # 3 smallest first (unordered), rest after
np.argpartition(a, 3)  # indices of partition

# k-th smallest element (selection algorithm)
np.partition(a, 2)[2]  # 3rd smallest (index 2)

# unique values (sorted)
np.unique([1, 2, 1, 3, 2])   # [1 2 3]
np.unique(a, return_counts=True)  # values and counts

Covariance et corrélation

np.cov traite chaque LIGNE comme une variable par défaut (rowvar=True) — l'inverse de pandas qui utilise les colonnes. Pour matcher le comportement pandas, passez rowvar=False ou transposez vos données. np.corrcoef retourne la matrice complète ; indexez [0, 1] pour le coefficient scalaire entre deux variables. La diagonale de la matrice de covariance est la variance de chaque variable.

numpy
import numpy as np
# Sample data: 3 variables, 5 observations
data = np.array([[1, 2, 3, 4, 5],
                 [2, 4, 1, 3, 5],
                 [5, 4, 3, 2, 1]], dtype=float)

# Covariance matrix (3x3)
# Each ROW is a variable, so set rowvar=False to treat COLUMNS as variables
cov = np.cov(data, rowvar=True)   # 3x3 covariance between rows
# Diagonal = variance of each variable
# Off-diagonal = covariance between pairs

# Correlation matrix
corr = np.corrcoef(data)   # 3x3, values in [-1, 1]

# Correlation between two specific variables
np.corrcoef(data[0], data[1])[0, 1]   # scalar

# Weighted covariance: compute manually
weights = np.array([1, 1, 1, 2, 2])
mean = np.average(data, axis=1, weights=weights, keepdims=True)
centered = data - mean
weighted_cov = (centered * weights) @ centered.T / weights.sum()

# Pearson correlation coefficient (manual)
def pearson(x, y):
    xm, ym = x - x.mean(), y - y.mean()
    return np.dot(xm, ym) / (np.sqrt((xm**2).sum()) * np.sqrt((ym**2).sum()))

Statistiques tenant compte des NaN

Les réductions standard propagent les NaN (tout NaN empoisonne le résultat), ce qu'on veut rarement. Utilisez les variantes nan* (nanmean, nansum, nanstd) pour ignorer les NaN. nan_to_num remplace NaN et infinis par des valeurs finies — parfait pour nettoyer avant calcul. Pour une gestion lourde des NaN, pandas est souvent plus ergonomique que NumPy brut.

numpy
import numpy as np
a = np.array([1.0, 2.0, np.nan, 4.0, 5.0])

# Standard functions propagate NaN
a.mean()      # nan
a.sum()       # nan

# NaN-aware equivalents
np.nanmean(a)     # 3.0   ignores NaN
np.nansum(a)      # 12.0
np.nanstd(a)
np.nanmedian(a)
np.nanvar(a)
np.nanmin(a), np.nanmax(a)
np.nanpercentile(a, 50)

# Count non-NaN elements
np.count_nonzero(~np.isnan(a))   # 4

# Find NaN positions
np.isnan(a)            # [False False  True False False]
np.where(np.isnan(a))  # (array([2]),)

# Replace NaN with a value (imputation)
np.nan_to_num(a, nan=0.0)              # replace NaN with 0
np.where(np.isnan(a), 0, a)            # same, more explicit
a_filled = np.copy(a)
a_filled[np.isnan(a)] = np.nanmean(a)  # fill with mean

# Check if any NaN
np.isnan(a).any()      # True
08

Algèbre linéaire (numpy.linalg)

Multiplication matricielle

Utilisez @ pour la multiplication matricielle — c'est l'opérateur moderne (Python 3.5+), plus clair que .dot() et il gère les opérations batchées (N-D). L'opérateur * est élément par élément (Hadamard), source de confusion classique pour les venus de MATLAB. np.matmul (@) diffère de np.dot dans la gestion 1-D et le comportement d'empilement pour les tableaux N-D.

numpy
import numpy as np

A = np.array([[1, 2],
              [3, 4]])
B = np.array([[5, 6],
              [7, 8]])

# Matrix product (2-D)
A @ B                  # [[19 22]
                       #  [43 50]]    preferred operator (Py 3.5+)
A.dot(B)               # same, older method
np.dot(A, B)           # same for 2-D

# 1-D: dot is inner product
v = np.array([1, 2, 3])
w = np.array([4, 5, 6])
v @ w                  # 32   (1*4 + 2*5 + 3*6)
np.dot(v, w)           # 32

# Mixed 1-D and 2-D
v = np.array([1, 2])
A @ v                  # [5 11]   matrix-vector product

# Batched matmul (3-D)
X = np.random.rand(10, 3, 4)   # 10 matrices of shape (3, 4)
Y = np.random.rand(10, 4, 2)
(X @ Y).shape          # (10, 3, 2)

# Element-wise product (Hadamard) - NOT matrix product
A * B                  # [[5 12]
                       #  [21 32]]

Décompositions (LU, QR, SVD)

SVD est la décomposition la plus stable et marche pour toute matrice — utilisez-la dans le doute. La décomposition propre ne marche que sur les matrices carrées et peut être numériquement instable pour les matrices défectueuses. Cholesky est le plus rapide pour les matrices symétriques définies positives (courantes en covariance et optimisation). QR sert aux moindres carrés et à l'orthonormalisation.

numpy
import numpy as np
A = np.array([[4, 3],
              [6, 3]])

# SVD: A = U @ diag(s) @ Vt
U, s, Vt = np.linalg.svd(A)
# U: (2,2) left singular vectors
# s: (2,) singular values (sorted descending)
# Vt: (2,2) right singular vectors (already transposed)

# Reconstruct A from SVD
A_reconstructed = U @ np.diag(s) @ Vt
np.allclose(A, A_reconstructed)   # True

# QR decomposition: A = Q @ R
Q, R = np.linalg.qr(A)
# Q: orthonormal columns
# R: upper triangular

# Cholesky (for symmetric positive-definite matrices)
S = A @ A.T   # symmetric positive-definite
L = np.linalg.cholesky(S)
np.allclose(S, L @ L.T)   # True

# Eigen-decomposition (square matrices)
w, V = np.linalg.eig(A)
# w: eigenvalues
# V: eigenvectors as columns

# Eigenvalues only (faster)
np.linalg.eigvals(A)

Résoudre des systèmes linéaires et inverse

Préférez toujours np.linalg.solve au calcul de l'inverse — plus rapide, plus stable numériquement, et évite les pièges des matrices quasi singulières. L'inverse est rarement nécessaire en pratique ; si vous vous surprenez à écrire inv(A) @ b, remplacez par solve(A, b). pinv gère les matrices rectangulaires et singulières via SVD. Vérifiez cond(A) — un grand nombre de condition (>1e10) signifie un système mal conditionné numériquement.

numpy
import numpy as np

A = np.array([[3, 2],
              [1, 4]])
b = np.array([7, 6])

# Solve Ax = b (preferred - no explicit inverse)
x = np.linalg.solve(A, b)        # [1.6 1.1]
np.allclose(A @ x, b)            # True

# Multiple right-hand sides
B = np.array([[7, 1], [6, 2]])   # 2x2
X = np.linalg.solve(A, B)        # 2x2 solution matrix

# Inverse (avoid if you only need to solve Ax=b)
A_inv = np.linalg.inv(A)
A_inv @ b    # same result as solve, but slower & less stable

# Pseudo-inverse (works for non-square / singular matrices)
A_pinv = np.linalg.pinv(A)       # Moore-Penrose pseudo-inverse

# Determinant
np.linalg.det(A)    # 10.0

# Matrix rank
np.linalg.matrix_rank(A)   # 2

# Condition number (large = ill-conditioned)
np.linalg.cond(A)   # ~1.9

Normes et opérations vectorielles

norm passe à L2 pour les vecteurs et Frobenius pour les matrices — spécifiez ord explicitement pour la clarté en production. ord=1 pour la distance de Manhattan (taxicab) et ord=np.inf pour Chebyshev (max-abs). Le produit vectoriel ne marche qu'en 3-D. Pour les distances par paires entre beaucoup de points, scipy.spatial.distance.cdist est plus rapide qu'une boucle Python sur norm.

numpy
import numpy as np
v = np.array([3, 4])

# Vector norms
np.linalg.norm(v)         # 5.0    L2 (Euclidean) - default
np.linalg.norm(v, ord=1)  # 7.0    L1 (sum of |x|)
np.linalg.norm(v, ord=np.inf)  # 4.0  L-infinity (max |x|)

# Matrix norms
A = np.array([[1, 2], [3, 4]])
np.linalg.norm(A)         # Frobenius norm (default for matrices)
np.linalg.norm(A, ord='fro')
np.linalg.norm(A, ord=2)  # spectral norm (largest singular value)
np.linalg.norm(A, ord=np.inf)  # max row sum

# Normalizing a vector (unit vector)
v / np.linalg.norm(v)

# Distance between two vectors
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
np.linalg.norm(a - b)         # Euclidean distance
np.linalg.norm(a - b, ord=1)  # Manhattan distance

# Outer product, cross product
np.cross([1, 0, 0], [0, 1, 0])   # [0 0 1]   (3-D only)
np.outer([1, 2], [10, 20, 30])   # (2, 3)

Moindres carrés et régression

np.linalg.lstsq résout les moindres carrés sans former les équations normales (plus stable). Il retourne solution, résidus, rang et valeurs singulières — utile pour diagnostiquer les problèmes de rang déficient. Pour l'ajustement polynomial, polyfit + poly1d donnent une API pratique, mais méfiez-vous des polynômes de haut degré (instabilité numérique). Utilisez numpy.polynomial.Polynomial pour un meilleur conditionnement numérique dans du travail sérieux.

numpy
import numpy as np

# Linear least squares: solve Ax = b for over-determined A (more rows than cols)
# Minimizes ||Ax - b||^2
A = np.array([[1, 1],
              [1, 2],
              [1, 3],
              [1, 4]])         # design matrix (4x2)
b = np.array([6, 5, 7, 10])    # observations

x, residuals, rank, sv = np.linalg.lstsq(A, b, rcond=None)
# x: best-fit parameters [intercept, slope] = [3.5, 1.4]
# residuals: sum of squared errors
# rank: effective rank of A
# sv: singular values of A

# Polynomial fitting (least squares under the hood)
x_data = np.array([0, 1, 2, 3, 4])
y_data = np.array([1, 3, 7, 13, 21])
coeffs = np.polyfit(x_data, y_data, deg=2)   # quadratic fit
# coeffs[0]*x^2 + coeffs[1]*x + coeffs[2]

# Evaluate polynomial
poly = np.poly1d(coeffs)
poly(2.5)   # predict y at x=2.5

# Polynomial roots (zeros)
np.roots([1, -3, 2])   # roots of x^2 - 3x + 2 = 0 -> [2, 1]
09

Nombres aléatoires

Generator moderne (default_rng)

np.random.default_rng est l'API moderne recommandée. Plus rapide que les fonctions legacy np.random.*, aux propriétés statistiques meilleures, et utilise des objets Generator explicites (pas d'état global caché) — rendant reproductibilité et parallélisme bien plus simples. Passez toujours une graine explicite pour la recherche et les tests reproductibles.

numpy
import numpy as np

# Create a Generator with a seed (modern API, NumPy >= 1.17)
rng = np.random.default_rng(seed=42)

# Uniform [0, 1) floats
rng.random()              # scalar
rng.random(size=5)        # 1-D array of 5
rng.random((3, 4))        # 3x4 array

# Standard normal (mean 0, std 1)
rng.standard_normal(5)
rng.standard_normal((2, 3))

# Integers in [low, high)
rng.integers(0, 10, size=5)       # 5 random ints in [0, 10)
rng.integers(1, 7, size=(2, 3), endpoint=True)  # include 7

# Choice: sample from an array
rng.choice([10, 20, 30, 40], size=5)
rng.choice([10, 20, 30, 40], size=5, replace=True)   # default
rng.choice(range(100), size=10, replace=False)        # without replacement

# Why default_rng? Faster, better statistical properties, no global state.
# Legacy np.random.rand/randn/seed still works but is discouraged.

Distributions courantes

NumPy fournit des dizaines de distributions via l'API Generator. Les paramètres suivent les conventions statistiques (loc=moyenne, scale=écart-type pour la normale ; lam=lambda pour Poisson). multivariate_normal exige une matrice de covariance et retourne des échantillons avec la structure de corrélation spécifiée. shuffle mute en place tandis que permutation retourne un nouveau tableau.

numpy
import numpy as np
rng = np.random.default_rng(42)

# Continuous distributions
rng.uniform(0, 10, size=5)        # uniform in [low, high)
rng.normal(loc=100, scale=15, size=5)   # normal(mu, sigma)
rng.standard_normal(size=5)       # standard normal
rng.exponential(scale=2.0, size=5)   # exponential
rng.gamma(shape=2.0, scale=1.5, size=5)
rng.beta(a=2, b=5, size=5)
rng.lognormal(mean=0.0, sigma=1.0, size=5)
rng.chisquare(df=3, size=5)
rng.standard_t(df=10, size=5)

# Discrete distributions
rng.binomial(n=10, p=0.5, size=5)
rng.poisson(lam=3.0, size=5)
rng.geometric(p=0.1, size=5)
rng.negative_binomial(n=5, p=0.5, size=5)

# Multi-variate normal
mean = [0, 0]
cov = [[1, 0.5], [0.5, 1]]
rng.multivariate_normal(mean, cov, size=1000)   # shape (1000, 2)

# Shuffle & permutation (in-place / copy)
arr = np.arange(10)
rng.shuffle(arr)        # in-place shuffle
perm = rng.permutation(10)   # returns a new array

Reproductibilité et graines

Pour des expériences reproductibles, figez à la fois la graine et la version de NumPy — le flux de nombres aléatoires peut changer entre versions. Pour le calcul parallèle, utilisez spawn() pour créer des flux enfants indépendants ; n'ajoutez jamais simplement l'index du worker à la graine (les collisions sont plus probables qu'on ne croit). SeedSequence gère correctement la répartition d'entropie.

numpy
import numpy as np

# Same seed -> same sequence of random numbers
r1 = np.random.default_rng(42)
r2 = np.random.default_rng(42)
print(r1.random(3))    # [0.7739 0.4389 0.8586]
print(r2.random(3))    # same exact values

# Different seeds -> independent sequences
r3 = np.random.default_rng(123)
print(r3.random(3))    # different values

# Seed from entropy (non-reproducible) - default if seed omitted
r4 = np.random.default_rng()    # seeded from OS entropy

# Spawn independent child generators (for parallelism)
parent = np.default_rng(42)
children = parent.spawn(4)   # 4 independent Generators
# Each child produces an independent, reproducible stream

# SeedSequence for advanced control
ss = np.random.SeedSequence(42)
child_seeds = ss.spawn(4)
streams = [np.random.default_rng(s) for s in child_seeds]

# Reproducibility across versions: pin numpy version too!

Mélange, permutation et échantillonnage

Utilisez rng.permutation(indices) puis indexez vos données en fancy — le motif canonique pour mélanger des jeux de données avant l'entraînement. choice avec replace=False échantillonne sans remise ; avec p= on échantillonne avec probabilités personnalisées. Pour le bootstrap, utilisez rng.integers pour échantillonner avec remise (une valeur peut apparaître plusieurs fois).

numpy
import numpy as np
rng = np.random.default_rng(42)

# Shuffle (in-place)
a = np.arange(10)
rng.shuffle(a)         # a is now shuffled

# Permutation (returns a new array, original untouched)
b = np.arange(10)
perm = rng.permutation(b)
# b is unchanged, perm is the shuffled version

# Permutation of indices (common pattern for shuffling a dataset)
idx = rng.permutation(100)
X_shuffled = X[idx]
y_shuffled = y[idx]

# Random choice
rng.choice(100, size=10, replace=False)   # 10 unique indices
rng.choice([1, 2, 3], size=10, p=[0.1, 0.3, 0.6])  # weighted

# Sample rows of a 2-D array
data = np.arange(20).reshape(10, 2)
row_idx = rng.choice(10, size=3, replace=False)
sample = data[row_idx]    # 3 random rows

# Bootstrap sampling (with replacement)
boot_idx = rng.integers(0, len(data), size=len(data))
boot_sample = data[boot_idx]

État aléatoire (API legacy)

L'API legacy np.random.seed/rand/randn utilise un état global mutable — pratique en REPL mais fragile dans les bibliothèques et le code parallèle. Si vous devez l'utiliser, créez un objet RandomState explicite plutôt que de muter l'état global. Pour du nouveau code, utilisez toujours default_rng. Les conventions d'arguments diffèrent un peu (randint exclut high par défaut ; integers inclut high seulement avec endpoint=True).

numpy
import numpy as np

# Legacy global-state API (still common in old code)
np.random.seed(42)
a = np.random.rand(3)      # [0.3745 0.9507 0.7320]

np.random.seed(42)
b = np.random.rand(3)      # same as a - global state was reset

# Functions operate on the global RandomState
np.random.rand(2, 3)       # uniform [0, 1)
np.random.randn(2, 3)      # standard normal
np.random.randint(0, 10, 5)
np.random.choice([1, 2, 3], 2)
np.random.shuffle(arr)

# Create an independent RandomState (better than global)
rs = np.random.RandomState(42)
rs.rand(3)                 # independent of np.random's global state

# Migration: replace np.random.X(args) with rng.X(args)
# rng = np.random.default_rng(seed)
# rand()       -> random()
# randn()      -> standard_normal()
# randint(a,b) -> integers(a, b)   # note: endpoint differs
# seed(s)      -> default_rng(s)   # explicit Generator
10

Indexation avancée

Détails de l'indexation fancy

L'indexation fancy avec tableaux d'entiers sélectionne les éléments aux positions données et retourne toujours une copie. Quand on indexe un tableau 2-D avec deux tableaux d'indices, ils sont appariés élément à élément (points), PAS un produit cartésien — utilisez np.ix_ pour le produit cartésien (rectangle lignes × colonnes). L'indexation fancy est la seule façon de sélectionner des éléments non contigus ou répétés.

numpy
import numpy as np
a = np.arange(10, 20)   # [10 11 12 13 14 15 16 17 18 19]

# Index with integer arrays
indices = np.array([0, 3, 5, 8])
a[indices]              # [10 13 15 18]

# Negative indices
a[[-1, -2, -3]]         # [19 18 17]

# Index arrays can repeat (creates duplicates)
a[[0, 0, 1, 1]]         # [10 10 11 11]

# Assign through fancy indexing
a[[0, 3, 5]] = -1       # set those positions to -1
a[[1, 2]] = [100, 200]  # different value per position

# 2-D: pair (row, col) indices element-wise
b = np.arange(12).reshape(3, 4)
rows = np.array([0, 1, 2])
cols = np.array([1, 2, 3])
b[rows, cols]           # [1 6 11]  points (0,1), (1,2), (2,3)

# For a cross-product (rectangle) use np.ix_
b[np.ix_([0, 2], [1, 3])]
# [[ 1  3]
#  [ 9 11]]

Tableaux booléens en profondeur

L'indexation booléenne retourne toujours un tableau 1-D des éléments correspondants, quelle que soit la dimensionalité d'entrée — et toujours une copie. Combinez les conditions avec & | ~ (opérateurs bit à bit), PAS and/or (ils exigent des valeurs booléennes uniques). Un masque booléen 1-D sur un tableau 2-D sélectionne des lignes entières. Comptez les True avec .sum() puisque True == 1.

numpy
import numpy as np
a = np.array([5, 10, 15, 20, 25, 30])

# Boolean mask
mask = a > 15
a[mask]                  # [20 25 30]
a[a > 15]                # equivalent

# Multiple conditions: use & | ~ (NOT and/or)
a[(a > 10) & (a < 30)]   # [15 20 25]
a[(a < 10) | (a > 25)]   # [5 30]
a[~(a > 15)]             # [5 10 15]  negation

# Count True
mask.sum()               # 3   (True == 1)

# Boolean indexing returns a COPY (not a view)
b = a[a > 15]
b[0] = 999
print(a[3])              # 20  - a unchanged

# 2-D boolean mask (must match array shape)
M = np.arange(12).reshape(3, 4)
mask2d = M > 5
M[mask2d]                # 1-D array of matching values (flattened)

# Row selection with a 1-D boolean mask
row_mask = np.array([True, False, True])
M[row_mask]              # rows 0 and 2

np.where et np.choose

np.where est la conditionnelle la plus courante — à trois arguments c'est un if-else vectorisé, à un argument il retourne les indices des True. Pour plusieurs conditions mutuellement exclusives, np.select est plus propre que des np.where imbriqués. np.choose est moins courant mais utile pour choisir parmi plus de deux tableaux selon un index entier.

numpy
import numpy as np
a = np.array([1, 2, 3, 4, 5])

# np.where(cond) -> indices where cond is True
np.where(a > 3)             # (array([3, 4]),)   tuple of index arrays

# np.where(cond, x, y) -> vectorized ternary
np.where(a > 3, "big", "small")
# ['small' 'small' 'small' 'big' 'big']

# np.where with arrays for x and y
np.where(a % 2 == 0, a * 10, a)   # double the evens, keep odds

# Multi-dim where
M = np.array([[1, 2], [3, 4]])
np.where(M > 2)             # (array([1, 1]), array([0, 1]))  (row, col) pairs

# np.choose: pick from multiple arrays based on integer index
choices = [[10, 20, 30], [100, 200, 300], [1000, 2000, 3000]]
np.choose([0, 2, 1], choices)   # [10 2000 300]

# np.select: multiple conditions
conds = [a < 3, a > 4, (a >= 3) & (a <= 4)]
choices = ["low", "high", "mid"]
np.select(conds, choices)   # ['low' 'mid' 'mid' 'mid' 'high']

Indexation avec np.ix_

np.ix_ est indispensable quand on veut un sous-bloc rectangulaire sélectionné par des listes d'indices de lignes et colonnes — sans lui, deux tableaux d'indices sont appariés élément à élément (des points plutôt qu'une grille). C'est l'un des pièges NumPy les plus fréquents. La même astuce marche avec des masques booléens pour sélectionner lignes et colonnes simultanément.

numpy
import numpy as np
a = np.arange(20).reshape(4, 5)

# Select rows 0 and 2, columns 1 and 3 (cross product)
rows = [0, 2]
cols = [1, 3]
a[np.ix_(rows, cols)]
# [[ 1  3]
#  [11 13]]

# Without np.ix_, fancy indexing pairs the arrays element-wise:
a[np.array(rows), np.array(cols)]
# ERROR (or wrong result): pairs (0,1) and (2,3) - points, not rectangle

# Boolean masks also work with np.ix_
row_mask = np.array([True, False, True, False])
col_mask = np.array([False, True, False, True, False])
a[np.ix_(row_mask, col_mask)]   # rows where True, cols where True

# 3-D indexing with ix_
b = np.arange(24).reshape(2, 3, 4)
b[np.ix_([0], [0, 2], [1, 3])].shape   # (1, 2, 2)

# np.ix_ converts 1-D index arrays into broadcastable open grids
# so the result is a (Cartesian) rectangle, not points

Disposition mémoire et vues

Le slicing simple retourne des vues (mémoire partagée) ; l'indexation fancy/booléenne retourne des copies. Utilisez np.shares_memory pour vérifier si deux tableaux se chevauchent — important pour les opérations in-place et pour comprendre si une mutation se propagera. Si vous cherchez la performance maximale dans une boucle chaude, np.ascontiguousarray garantit une mémoire contiguë pour que les boucles C tournent sans indirection.

numpy
import numpy as np
a = np.arange(12).reshape(3, 4)

# Most slicing returns VIEWS (no data copy)
v = a[1:, 1:]   # view
v[0, 0] = 99
print(a[1, 1])  # 99   - a was modified

# Fancy and boolean indexing always return COPIES
b = a[[0, 1, 2]]
b[0] = -1
print(a[0, 0])  # 0   - a unchanged

# Check if two arrays share memory
np.shares_memory(a, v)   # True
np.shares_memory(a, b)   # False

# Force a copy with .copy()
independent = a[1:, 1:].copy()

# Memory layout flags
a.flags['C_CONTIGUOUS']    # True  - row-major (C order)
a.flags['F_CONTIGUOUS']    # False - column-major (Fortran)

# Convert to a guaranteed-contiguous array (sometimes speeds up ops)
a_contig = np.ascontiguousarray(a)
a_fortran = np.asfortranarray(a)

# may_share_memory: weaker, faster check
np.may_share_memory(a, v)  # True
11

I/O de tableaux

Sauvegarder et charger .npy / .npz

.npy stocke un seul tableau ; .npz stocke plusieurs tableaux nommés dans un conteneur zip. savez_compressed produit des fichiers plus petits au prix de CPU. Le NpzFile retourné par np.load est paresseux — les tableaux se chargent au premier accès, donc utilisez un bloc with pour garantir la fermeture du handle. Ces formats binaires préservent dtype et forme exactement, contrairement à CSV/texte.

numpy
import numpy as np
a = np.arange(12).reshape(3, 4)
b = np.array([1, 2, 3])

# Save a single array (binary .npy format)
np.save("a.npy", a)
loaded = np.load("a.npy")
np.array_equal(a, loaded)   # True

# Save multiple arrays (zipped .npz)
np.savez("data.npz", a=a, b=b, c=np.zeros(3))
data = np.load("data.npz")
print(data["a"])   # the saved array a
print(data["b"])   # array b
print(list(data.keys()))   # ['a', 'b', 'c']

# Compressed savez
np.savez_compressed("data.npz", a=a, b=b)   # smaller file, slower

# Loading returns a lazy NpzFile - arrays load on access
# Close it explicitly if you have many files open
with np.load("data.npz") as data:
    a = data["a"]
    b = data["b"]
# file handle auto-closed after the with block

Fichiers texte (CSV, TSV)

np.savetxt/loadtxt ne marchent que pour du 1-D et 2-D — pour plus de dimensions, passez au .npy/.npz. genfromtxt tolère mieux les valeurs manquantes et types hétérogènes mais est lent sur les gros fichiers. Pour du vrai travail CSV, pandas.read_csv est bien plus rapide et riche — convertissez en NumPy avec .to_numpy() une fois le nettoyage fait.

numpy
import numpy as np

# Save as plain text (1-D or 2-D only)
a = np.arange(12).reshape(3, 4)
np.savetxt("a.csv", a, delimiter=",", fmt="%d",
           header="col1,col2,col3,col4", comments="")

# Load text
loaded = np.loadtxt("a.csv", delimiter=",", skiprows=1, dtype=int)

# genfromtxt: handles missing values and irregular data
data = np.genfromtxt("data.csv", delimiter=",",
                     names=True,          # first row = field names
                     dtype=None,          # infer types per column
                     missing_values="",
                     filling_values=0)
# data is a structured array; access columns by name
print(data["age"])

# More flexible: pandas.read_csv, then convert to NumPy
import pandas as pd
df = pd.read_csv("data.csv")
arr = df.to_numpy()      # 2-D ndarray
ages = df["age"].to_numpy()   # 1-D

Fichiers mappés en mémoire

np.memmap permet de travailler sur des tableaux plus grands que la RAM en mappant un fichier disque en mémoire — seules les pages accédées se chargent. Essentiel pour les jeux de données multi-Go. Rappelez-vous de flush() après écriture et de del ou fermer le memmap pour libérer le handle. Le slicing ne lit que les pages nécessaires, mais l'indexation fancy peut forcer un chargement complet.

numpy
import numpy as np

# Create a large array on disk (without loading it all into RAM)
shape = (10000, 10000)
dtype = np.float64
mm = np.memmap("big.dat", dtype=dtype, mode="w+", shape=shape)

# Write to it as if it were a normal array
mm[:] = np.arange(shape[0])[:, None] + np.arange(shape[1])[None, :]
mm.flush()   # flush changes to disk

# Re-open for reading without loading the whole file
mm_read = np.memmap("big.dat", dtype=dtype, mode="r", shape=shape)
print(mm_read[0, 0])    # access a small slice -> only that page loads
print(mm_read[-1, -1])

# Mode: 'r' (read-only), 'r+' (read/write), 'w+' (create/overwrite)
# Slicing a memmap returns a normal ndarray (copy) or a memmap view
# depending on the operation.

# Useful for processing huge datasets that don't fit in RAM
# (e.g. iterating over chunks of a multi-GB array)

Interopérabilité avec d'autres bibliothèques

La plupart des bibliothèques ML partagent la mémoire avec NumPy (zero-copy) — torch.from_numpy et tf.constant enveloppent le même buffer, donc muter l'un affecte l'autre. Les tenseurs GPU de PyTorch doivent être ramenés sur CPU avant .numpy(). Utilisez tobytes / frombuffer pour la sérialisation quand vous avez besoin d'octets bruts (ex. envoi par socket). Vérifiez toujours shape et dtype après conversion.

numpy
import numpy as np
import pandas as pd

# NumPy <-> pandas
df = pd.DataFrame({"a": [1, 2, 3], "b": [4.0, 5.0, 6.0]})
arr = df.to_numpy()      # 2-D float array
col = df["a"].to_numpy() # 1-D int array
df2 = pd.DataFrame(arr, columns=["x", "y"])

# NumPy <-> PyTorch
import torch
t = torch.from_numpy(arr)     # shares memory (no copy)
back = t.numpy()              # only works for CPU tensors

# NumPy <-> TensorFlow
import tensorflow as tf
tensor = tf.constant(arr)
back = tensor.numpy()

# NumPy <-> JAX
import jax.numpy as jnp
j_arr = jnp.asarray(arr)      # JAX array (immutable)

# NumPy <-> bytes (for serialization / network)
buf = arr.tobytes()
restored = np.frombuffer(buf, dtype=arr.dtype).reshape(arr.shape)

# Convert list of arrays to a single array (must be same shape)
list_of_arrays = [np.array([1, 2]), np.array([3, 4])]
np.array(list_of_arrays)   # shape (2, 2)

I/O de tableaux structurés

Les tableaux structurés permettent de stocker des données hétérogènes façon enregistrements dans un tableau NumPy — utile quand pandas est excessif ou indisponible. Le format binaire .npy préserve exactement le dtype structuré. Pour du travail tabulaire réel, pandas est presque toujours meilleur ; réservez les tableaux structurés à l'interop bas niveau avec du code C/Fortran ou quand la mémoire est très serrée.

numpy
import numpy as np

# Define a structured dtype
dt = np.dtype([("name", "U20"), ("age", "i4"), ("score", "f4")])
data = np.array([("Alice", 30, 9.5),
                 ("Bob", 25, 8.0),
                 ("Carol", 35, 9.8)], dtype=dt)

# Save / load (binary preserves structure)
np.save("people.npy", data)
loaded = np.load("people.npy")
print(loaded["name"])   # ['Alice' 'Bob' 'Carol']
print(loaded["age"].mean())   # 30.0

# CSV with mixed types: better to use pandas
import pandas as pd
df = pd.DataFrame(data)
df.to_csv("people.csv", index=False)

# Convert a structured array to a regular 2-D array
arr_2d = data.view([("age", "i4"), ("score", "f4")]).reshape(-1)  # view
# or just stack the numeric columns
numeric = np.column_stack([data["age"], data["score"]])

# Sort by a field
sorted_data = np.sort(data, order="score")   # ascending by score
sorted_data[-1]["name"]   # 'Carol'
12

Opérations datetime

Créer des tableaux datetime

datetime64 de NumPy est un datetime à largeur fixe (8 octets) — bien plus efficace que les objets datetime de Python. Spécifiez la précision par suffixe d'unité : [Y] année, [M] mois, [D] jour, [h] heure, [m] minute, [s] seconde, [ms] milliseconde. np.arange marche avec datetime64 pour générer des plages de dates.

numpy
import numpy as np

# From ISO strings
dates = np.array(["2024-01-15", "2024-02-20", "2024-03-25"],
                 dtype="datetime64[D]")
# dtype [D] = day precision

# Different precisions
np.datetime64("2024-01-15")              # day precision
np.datetime64("2024-01-15T10:30")        # minute precision
np.datetime64("2024-01-15T10:30:45.123") # ms precision

# Array of datetimes
np.array(["2024-01", "2024-02", "2024-03"], dtype="datetime64[M]")

# Arange with datetime
np.arange("2024-01", "2024-06", dtype="datetime64[M]")
# ['2024-01' '2024-02' '2024-03' '2024-04' '2024-05']

# Today (UTC)
np.datetime64("today", "D")
np.datetime64("now", "s")

Arithmétique timedelta

Soustraire deux tableaux datetime64 donne un tableau timedelta64. NumPy gère correctement l'arithmétique des mois et années (les longueurs varient). np.busday_offset et np.is_busday fournissent la logique des jours ouvrés (en sautant week-ends et éventuellement fériés). Pour un support plus sophistiqué des calendriers d'affaires, utilisez CustomBusinessDay de pandas.

numpy
import numpy as np

start = np.datetime64("2024-01-01")
end = np.datetime64("2024-12-31")

# Difference is a timedelta64
diff = end - start
print(diff, diff.dtype)   # 365 days, timedelta64[D]

# Add / subtract timedeltas
start + np.timedelta64(7, "D")       # 2024-01-08
start + np.timedelta64(1, "M")       # 2024-02-01 (month added)
start + np.timedelta64(2, "h")       # 2024-01-01T02:00

# Business day arithmetic
np.busday_offset("2024-01-15", 1)     # next business day
np.is_busday("2024-01-15")            # Monday -> True
np.is_busday("2024-01-13")            # Saturday -> False

# Count business days in a range
np.busday_count("2024-01-01", "2024-02-01")   # 23

# Array of business days
np.arange("2024-01-01", "2024-01-10", dtype="datetime64[D]")
# [Mon Tue Wed Thu Fri Sat Sun Mon Tue]

Plages de dates et resampling

datetime64 de NumPy supporte la génération de plages et l'arithmétique de base, mais pour le resampling, le groupement et les fuseaux, pandas est bien plus puissant. Le motif : faites la manipulation de dates lourde dans pandas, puis reconvertissez en datetime64 NumPy avec .to_numpy() quand vous avez besoin de performance brute. datetime64 de NumPy est toujours naïf de fuseau (UTC).

numpy
import numpy as np

# Generate a range of dates
daily = np.arange("2024-01-01", "2024-02-01", dtype="datetime64[D]")
# 31 daily dates

monthly = np.arange("2024-01", "2025-01", dtype="datetime64[M]")
# 12 monthly dates

hourly = np.arange("2024-01-01T00", "2024-01-02T00", dtype="datetime64[h]")
# 24 hourly dates

# Resample daily to monthly: take last value of each month
# NumPy itself doesn't have a resample API - use pandas
import pandas as pd
ts = pd.Series(np.random.rand(31), index=daily)
monthly_mean = ts.resample("ME").mean()    # one value per month

# Compute the weekday of each date
weekdays = (daily.astype("datetime64[D]").view("int64") - 4) % 7
# 0 = Monday, ..., 6 = Sunday

# Or use pandas for richer datetime features
pd.DatetimeIndex(daily).day_name()   # ['Monday' 'Tuesday' ...]

Interop datetime et Python

La conversion entre datetime64 NumPy et datetime Python est directe via astype. Attention aux fuseaux — datetime64 NumPy est toujours UTC et sans info tz, donc convertir un Timestamp pandas tz-aware vers NumPy perd le tz en silence. Pour tout travail conscient du fuseau, utilisez des Timestamps pandas partout.

numpy
import numpy as np
import datetime as dt

# NumPy datetime64 -> Python datetime
np_dt = np.datetime64("2024-01-15T10:30:00")
py_dt = np_dt.astype(dt.datetime)   # Python datetime object
# datetime.datetime(2024, 1, 15, 10, 30)

# Python datetime -> NumPy datetime64
np_again = np.datetime64(py_dt)

# Convert a NumPy datetime array to Python datetimes
arr = np.arange("2024-01-01", "2024-01-05", dtype="datetime64[D]")
py_list = arr.astype(dt.datetime).tolist()
# [datetime.date(2024, 1, 1), ...]

# Pandas Timestamp (most flexible)
import pandas as pd
ts = pd.Timestamp("2024-01-15 10:30:00", tz="US/Eastern")
ts.to_numpy()   # converts to UTC datetime64 (tz info dropped!)

# Unix timestamp interconversion
ts_unix = (np_dt - np.datetime64("1970-01-01", "s")) / np.timedelta64(1, "s")
# 1705314600.0   (seconds since Unix epoch)
back = np.datetime64(int(ts_unix), "s").astype("datetime64[s]") + \
       np.timedelta64(int((ts_unix % 1) * 1e9), "ns")

Datetime en pratique

L'arithmétique de dates en NumPy est rapide mais limitée — pour le groupement, resampling et fuseaux, pandas est le bon outil. L'exemple calculant le jour de l'année montre le genre de gymnastique de bas niveau que NumPy impose ; DatetimeIndex.dayofyear de pandas le fait en un appel. Utilisez datetime64 NumPy pour le stockage et l'arithmétique simple ; passez à pandas pour l'analyse.

numpy
import numpy as np

# Compute age in years from birthdates
birthdays = np.array(["1990-05-15", "1985-11-20", "2000-03-10"],
                     dtype="datetime64[D]")
today = np.datetime64("today", "D")
ages_days = (today - birthdays).astype("timedelta64[D]")
ages_years = (ages_days / 365.25).astype(int)
# array([33, 38, 24]) approximately

# Find dates within a window
dates = np.arange("2024-01-01", "2024-06-01", dtype="datetime64[D]")
mask = (dates >= "2024-02-01") & (dates < "2024-03-01")
february = dates[mask]   # all February dates

# Compute day of year
jan1 = dates.astype("datetime64[Y]").astype("datetime64[D]")
# Hmm, this loses month/day; instead:
day_of_year = (dates - dates.astype("datetime64[M]") \
               .astype("datetime64[D]") + 1).astype(int)

# Group by month (manual; pandas is easier)
months = dates.astype("datetime64[M]")
unique_months = np.unique(months)
for m in unique_months:
    mask = months == m
    print(m, dates[mask].size, "days")
13

Opérations sur les chaînes

Opérations de chaînes vectorisées (np.char)

np.char fournit des versions vectorisées des méthodes str de Python, opérant élément par élément sur des tableaux de chaînes. Elles retournent de nouveaux tableaux (les chaînes sont immuables en NumPy). Pour un traitement de chaînes plus sophistiqué (extraction regex, logique conditionnelle), l'accesseur .str de pandas est bien plus capable et ergonomique — préférez-le pour le vrai data wrangling.

numpy
import numpy as np
names = np.array(["Alice", "Bob", "Carol", "dave"])

# np.char module: vectorized string operations
np.char.upper(names)      # ['ALICE' 'BOB' 'CAROL' 'DAVE']
np.char.lower(names)      # ['alice' 'bob' 'carol' 'dave']
np.char.title(names)      # ['Alice' 'Bob' 'Carol' 'Dave']
np.char.capitalize(names)
np.char.swapcase(names)

# Strip whitespace
s = np.array(["  hello  ", "world  "])
np.char.strip(s)          # ['hello' 'world']
np.char.lstrip(s)
np.char.rstrip(s)

# Splitting and joining
np.char.split(np.array(["a,b,c", "d,e,f"]), sep=",")
# [list(['a', 'b', 'c']) list(['d', 'e', 'f'])]

np.char.join("-", np.array(["abc", "def"]))
# ['a-b-c' 'd-e-f']

# Replace
np.char.replace(np.array(["foo bar", "baz foo"]), "foo", "XXX")
# ['XXX bar' 'baz XXX']

Comparaison et recherche de chaînes

np.char a des fonctions vectorisées de comparaison, recherche et longueur. find retourne -1 quand non trouvé (pas False), donc testez >= 0. Pour la recherche et l'extraction par regex, utilisez .str.contains/.str.extract de pandas avec regex=True — le support regex de np.char est limité et incohérent entre versions.

numpy
import numpy as np
words = np.array(["apple", "banana", "cherry", "date"])

# Element-wise comparison
np.char.equal(words, "apple")        # [ True False False False]
np.char.not_equal(words, "apple")

# Lexicographic comparison
np.char.greater(words, "c")          # [False False  True  True]

# Substring search
np.char.find(words, "a")             # index of 'a', -1 if not found
np.char.count(np.array(["banana", "apple"]), "a")
# [3 1]

# Startswith / endswith
np.char.startswith(words, "a")       # [ True False False False]
np.char.endswith(words, "e")         # [ True False False  True]

# Contains (regex-capable in newer versions)
np.char.find(words, "er") >= 0       # [False False  True False]

# String length
np.char.str_len(words)               # [5 6 6 4]

Concaténation et formatage de chaînes

La concaténation en np.char est élément par élément et moins ergonomique que l'opérateur + de Python. Pour joindre avec séparateur, il faut enchaîner np.char.add ou utiliser np.core.defchararray.add. Pour la plupart du formatage, une compréhension de liste ou .str.cat de pandas est plus claire que np.char. np.char.mod supporte le formatage % pour la génération de chaînes en lot.

numpy
import numpy as np
first = np.array(["Alice", "Bob", "Carol"])
last = np.array(["Smith", "Jones", "Brown"])

# Element-wise concatenation
np.char.add(first, last)              # ['AliceSmith' 'BobJones' 'CarolBrown']
np.char.add(first, " " + last)        # nope, this broadcasts weirdly

# Proper way to add a separator
np.char.add(np.char.add(first, " "), last)
# ['Alice Smith' 'Bob Jones' 'Carol Brown']

# Multiply (repeat)
np.char.multiply(np.array(["ab", "cd"]), 3)
# ['ababab' 'cdcdcd']

# Center / ljust / rjust with fill character
np.char.center(np.array(["hi", "yo"]), width=6, fillchar="-")
# ['--hi--' '--yo--']
np.char.rjust(np.array(["1", "12", "123"]), width=5, fillchar="0")
# ['00001' '00012' '00123']

# Format strings
np.char.mod("%05d", np.array([1, 23, 456]))
# ['00001' '00023' '00456']

# Modern Python f-strings don't vectorize - use np.char.mod or list comp
[f"{n:05d}" for n in [1, 23, 456]]   # Python alternative

Dtypes de chaînes et mémoire

Les dtypes de chaînes NumPy sont à largeur fixe : 'U' = Unicode (4 octets/caractère), 'S' = octets ASCII (1 octet/caractère). Les chaînes dépassant la largeur fixe sont tronquées en silence — source fréquente de perte de données. Pour des chaînes de longueur variable sans troncature, utilisez dtype=object (plus lent, mais stocke des objets str Python). Choisissez 'S' pour des données ASCII pour économiser 4x la mémoire vs 'U'.

numpy
import numpy as np

# Fixed-length unicode strings (default)
s = np.array(["hello", "world"])
s.dtype    # dtype('<U5')   <- max length 5 unicode chars

# Fixed-width string dtype (saves memory for ASCII)
s_ascii = np.array(["hello", "world"], dtype="S5")
s_ascii.dtype   # dtype('|S5')  <- bytes, length 5

# If a string exceeds the fixed width, it's truncated
np.array(["abcdef"], dtype="U3")   # ['abc']
np.array(["abcdef"], dtype="S3")   # [b'abc']

# Object dtype for variable-length strings (no truncation, slower)
s_obj = np.array(["a" * 100, "b"], dtype=object)
s_obj.dtype   # dtype('O')

# Convert between unicode and bytes
np.char.encode(np.array(["hello"]), "utf-8")   # array([b'hello'])
np.char.decode(np.array([b"hello"]), "utf-8")  # array(['hello'])

# When loading text data, dtype=None infers per column
# but for strings use U/S for fixed-width or object for variable

Motifs pratiques de chaînes

np.unique avec return_inverse=True est la façon standard d'encoder des chaînes catégorielles en entiers (label encoding). Pour le one-hot, utilisez pandas.get_dummies ou OneHotEncoder de sklearn. Le zero-padding des nombres en chaînes est l'astuce pour rendre le tri de noms de fichiers lexicographique ('10' < '2' comme chaînes, mais '010' > '002'). Enchaîner np.char.replace est le contournement pour les substitutions multiples.

numpy
import numpy as np

# Build a categorical label array
labels = np.array(["cat", "dog", "cat", "bird", "dog"])

# Encode strings to integers
unique, encoded = np.unique(labels, return_inverse=True)
print(unique)     # ['bird' 'cat' 'dog']
print(encoded)    # [1 2 1 0 2]   integer codes

# Decode integers back to strings
labels_back = unique[encoded]
# ['cat' 'dog' 'cat' 'bird' 'dog']

# Filter rows of a 2-D array by a string column
data = np.array([["Alice", "30"], ["Bob", "25"], ["Carol", "35"]])
mask = np.char.startswith(data[:, 0], "A")
data[mask]   # [['Alice' '30']]

# Pad numbers as zero-padded strings (for sorting filenames)
nums = np.array([1, 10, 100, 2])
padded = np.char.zfill(nums.astype(str), 3)
# ['001' '010' '100' '002']   now sorts lexicographically

# Compute a sorted argsort using string keys
keys = np.array(["banana", "apple", "cherry"])
order = np.argsort(keys)
keys[order]   # ['apple' 'banana' 'cherry']

# Replace multiple patterns (must chain - no vectorized replace-all)
arr = np.array(["a-b", "c_d", "e.f"])
for ch in ["-", "_", "."]:
    arr = np.char.replace(arr, ch, " ")
print(arr)   # ['a b' 'c d' 'e f']
14

Performance et vectorisation

Vectorisation vs boucles

La règle de performance NumPy la plus importante : évitez les boucles Python sur les éléments. Chaque itération paie l'overhead de l'interpréteur ; les opérations vectorisées NumPy tournent en un seul appel C sur mémoire contiguë. Des accélérations de 50 à 100x sont typiques. Avant d'écrire une boucle, demandez-vous : « Y a-t-il une ufunc, une réduction ou une astuce de broadcasting qui fait ça ? »

numpy
import numpy as np
import time

# BAD: Python loop (slow)
def slow_sum(arr):
    total = 0
    for x in arr:
        total += x
    return total

# GOOD: NumPy reduction (vectorized)
def fast_sum(arr):
    return arr.sum()

big = np.arange(10_000_000)

start = time.perf_counter()
slow_sum(big)
print("loop:", time.perf_counter() - start)   # ~0.6s

start = time.perf_counter()
fast_sum(big)
print("numpy:", time.perf_counter() - start)  # ~0.005s   ~100x faster

# Rule of thumb: if you're writing a for loop over array elements,
# there's probably a vectorized NumPy operation that's 50-100x faster.
# Look for: reductions (sum, mean, max), ufuncs, broadcasting, einsum.

np.einsum pour les contractions de tenseurs

einsum est l'opération de tenseur la plus flexible de NumPy — une seule syntaxe gère matmul, transpose, trace, diagonale, somme, produit extérieur, opérations batchées et contractions arbitraires. La chaîne spécifie les axes d'entrée et de sortie ; les axes sommés disparaissent. Utilisez optimize=True pour les chaînes de contractions afin d'éviter l'explosion mémoire intermédiaire. La notation demande de l'entraînement mais rapporte énormément.

numpy
import numpy as np

# einsum: Einstein summation - the Swiss Army knife of tensor ops
A = np.random.rand(3, 4)
B = np.random.rand(4, 5)

# Matrix multiplication: C[i,k] = sum_j A[i,j] * B[j,k]
C = np.einsum("ij,jk->ik", A, B)   # same as A @ B

# Transpose
np.einsum("ij->ji", A)             # A.T

# Sum all elements
np.einsum("ij->", A)               # A.sum()

# Sum along an axis
np.einsum("ij->i", A)              # A.sum(axis=1)
np.einsum("ij->j", A)              # A.sum(axis=0)

# Row-wise dot product with a vector
v = np.random.rand(4)
np.einsum("ij,j->i", A, v)         # A @ v

# Outer product
a = np.random.rand(3)
b = np.random.rand(4)
np.einsum("i,j->ij", a, b)         # np.outer(a, b)

# Batched matrix multiply
X = np.random.rand(10, 3, 4)
Y = np.random.rand(10, 4, 5)
np.einsum("bij,bjk->bik", X, Y)    # batched matmul

# optimize=True lets einsum choose a better evaluation order
np.einsum("ij,jk,kl->il", A, B, A.T, optimize=True)

Éviter les copies avec out= et vues

Préallouer les buffers de sortie avec out= évite les allocations répétées dans les boucles chaudes — un gros gain pour les opérations répétées. Les opérateurs in-place (+=, *=) évitent aussi les temporaires. Reshape et transpose retournent des vues (pas de copie), mais l'indexation fancy et les masques booléens copient toujours. ascontiguousarray ne copie que si nécessaire, donc sûr à appeler préventivement.

numpy
import numpy as np
import time

# Many ufuncs accept out= to write into an existing buffer (no allocation)
a = np.arange(1_000_000)
out = np.empty(1_000_000)

# Slow: creates a new array
start = time.perf_counter()
b = np.sin(a)
print("alloc:", time.perf_counter() - start)

# Fast: reuses the existing buffer
start = time.perf_counter()
np.sin(a, out=out)
print("reuse:", time.perf_counter() - start)   # faster, no allocation

# In-place operations also avoid copies
a += 10            # in-place add (no temp array)
a *= 2             # in-place multiply
np.sqrt(a, out=a)  # in-place sqrt

# Views vs copies
b = a.reshape(-1, 1000)        # view, no copy
c = a[a > 0.5]                  # copy (fancy indexing)
d = a.transpose()               # view (but maybe non-contiguous)

# ascontiguousarray: copy only if needed
e = np.ascontiguousarray(a)     # no copy if already C-contiguous

Disposition mémoire et efficacité cache

La disposition mémoire compte pour la performance : les tableaux en ordre C stockent les lignes contiguës, donc les opérations sur le dernier axe (ex. sum(axis=1)) sont cache-friendly. Forcer la mauvaise disposition cause des cache misses et peut ralentir de 5 à 10x. Utilisez np.ascontiguousarray quand une opération exige des données C-contigues mais que vous n'êtes pas sûr de la disposition d'entrée. .strides vous dit le pas en octets par axe.

numpy
import numpy as np
import time

# C order (row-major, default): last axis varies fastest
# F order (column-major): first axis varies fastest

# Iterating along the LAST axis is cache-friendly (C order)
a_c = np.zeros((1000, 1000), order="C")
a_f = np.zeros((1000, 1000), order="F")

# Sum along rows (axis 1): fast for C-order (contiguous in memory)
start = time.perf_counter()
a_c.sum(axis=1)
print("C order, axis=1:", time.perf_counter() - start)

start = time.perf_counter()
a_f.sum(axis=1)
print("F order, axis=1:", time.perf_counter() - start)   # slower

# Rule: for C-order arrays, the last axis is contiguous.
# Iterating a[..., i] is fast; iterating a[i, ...] is slow.

# Force a particular layout (copies only if necessary)
a_c2 = np.ascontiguousarray(a_f)   # now C-contiguous
a_f2 = np.asfortranarray(a_c)      # now F-contiguous

# Check layout
a_c.flags["C_CONTIGUOUS"]    # True
a_c.flags["F_CONTIGUOUS"]    # False

# Strides: bytes to step along each axis
a_c.strides    # (8000, 8)   - 8 bytes per float, 1000 per row
a_f.strides    # (8, 8000)   - first axis is contiguous

Profiling et benchmarking

Pour le benchmark, utilisez timeit (ou %timeit en Jupyter) et prenez le minimum de plusieurs runs pour exclure le bruit. Pour du code plus grand, cProfile et line_profiler identifient le vrai goulot — ne devinez pas. np.show_config révèle si NumPy utilise MKL/OpenBLAS ; pour les petits tableaux, le mono-thread peut être plus rapide à cause de l'overhead de lancement de threads, donc expérimentez avec OMP_NUM_THREADS.

numpy
import numpy as np
import time

# Quick micro-benchmark
def bench(fn, *args, repeat=5):
    times = []
    for _ in range(repeat):
        start = time.perf_counter()
        fn(*args)
        times.append(time.perf_counter() - start)
    return min(times)

a = np.random.rand(1000, 1000)
print("sum axis=0:", bench(lambda x: x.sum(axis=0), a))
print("sum axis=1:", bench(lambda x: x.sum(axis=1), a))

# Memory profiling: check array size
print(f"size: {a.size} elements")
print(f"memory: {a.nbytes / 1e6:.1f} MB")

# Time individual lines with %timeit (in IPython/Jupyter)
# %timeit a.sum()
# %timeit np.einsum("ij->", a)
# %prun my_function()    # line-by-line profiling

# Find bottlenecks with cProfile
import cProfile
cProfile.run("a @ a", sort="cumtime")

# Check if BLAS is using multiple threads
np.show_config()    # shows BLAS/LAPACK info

# Control thread count (sometimes single-thread is faster for small arrays)
import os
os.environ["OMP_NUM_THREADS"] = "4"
os.environ["MKL_NUM_THREADS"] = "4"
15

FFT et traitement du signal

Bases de la FFT 1-D

np.fft.fft calcule la transformée de Fourier discrète, convertissant un signal du domaine temporel au domaine fréquentiel. Pour une entrée réelle, le spectre est symétrique — seule la première moitié contient de l'information unique. fftfreq retourne les fréquences des bins ; pour une fréquence d'échantillonnage de 1/dt, la fréquence de Nyquist est 1/(2*dt). La magnitude montre la force de chaque composante fréquentielle.

numpy
import numpy as np

# Generate a signal: two sine waves + noise
t = np.linspace(0, 1, 500, endpoint=False)
signal = np.sin(2 * np.pi * 5 * t) + 0.5 * np.sin(2 * np.pi * 20 * t)
signal += 0.2 * np.random.default_rng(42).standard_normal(500)

# Compute the FFT
fft_vals = np.fft.fft(signal)
# Complex array: magnitude = amplitude, phase = angle

# Frequencies corresponding to each FFT bin
freqs = np.fft.fftfreq(len(signal), d=t[1] - t[0])

# Magnitude spectrum (absolute value)
magnitude = np.abs(fft_vals)

# Power spectral density
power = magnitude ** 2

# Plot the spectrum (only positive frequencies for real signals)
import matplotlib.pyplot as plt
plt.plot(freqs[:len(freqs)//2], magnitude[:len(freqs)//2])
plt.xlabel("Frequency (Hz)")
plt.ylabel("Magnitude")

FFT inverse et reconstruction

ifft inverse fft — l'aller-retour (fft puis ifft) retrouve le signal d'origine (à l'erreur flottante près). Éditer le spectre avant d'inverser est le socle du filtrage en domaine fréquentiel : mettez à zéro les bins à retirer (passe-bas, passe-haut, passe-bande). Pour les signaux réels, rfft/irfft sont plus efficaces puisqu'ils ne stockent que la moitié non négative du spectre.

numpy
import numpy as np

# Original signal
t = np.linspace(0, 1, 500, endpoint=False)
signal = np.sin(2 * np.pi * 5 * t) + 0.5 * np.sin(2 * np.pi * 20 * t)

# Forward FFT
fft_vals = np.fft.fft(signal)

# Inverse FFT reconstructs the original signal
reconstructed = np.fft.ifft(fft_vals)
np.allclose(signal, reconstructed.real)   # True

# Modify the spectrum (e.g. zero out high frequencies) then invert
fft_filtered = fft_vals.copy()
freqs = np.fft.fftfreq(len(signal), d=t[1] - t[0])
fft_filtered[np.abs(freqs) > 10] = 0   # low-pass filter

filtered_signal = np.fft.ifft(fft_filtered).real
# Now only the 5 Hz component remains; the 20 Hz is removed

# rfft / irfft: optimized for real input (half the storage)
rfft_vals = np.fft.rfft(signal)   # only non-negative frequencies
reconstructed2 = np.fft.irfft(rfft_vals, n=len(signal))

FFT 2-D (traitement d'image)

fft2 / ifft2 sont les équivalents 2-D pour l'image. fftshift déplace la composante de fréquence nulle au centre du tableau (convention naturelle pour visualisation et filtrage). Un masque passe-bas central dans le spectre décalé floute l'image ; un passe-haut (masque inversé) accentue les contours. La convolution spatiale équivaut à une multiplication fréquentielle — un gain majeur pour les grands noyaux.

numpy
import numpy as np

# 2-D FFT for image processing
image = np.random.rand(64, 64)   # treat as a grayscale image

# Forward 2-D FFT
fft2d = np.fft.fft2(image)

# Shift zero frequency to the center (standard convention)
fft2d_shifted = np.fft.fftshift(fft2d)

# Magnitude spectrum (log-scaled for visualization)
magnitude = np.log(np.abs(fft2d_shifted) + 1)

# Inverse: unshift then ifft2
fft2d_unshifted = np.fft.ifftshift(fft2d_shifted)
reconstructed = np.fft.ifft2(fft2d_unshifted).real
np.allclose(image, reconstructed)   # True

# Low-pass filter: keep only central low frequencies
rows, cols = image.shape
crow, ccol = rows // 2, cols // 2
mask = np.zeros((rows, cols), dtype=bool)
mask[crow-10:crow+10, ccol-10:ccol+10] = True   # central 20x20 block
fft2d_shifted[~mask] = 0
blurred = np.fft.ifft2(np.fft.ifftshift(fft2d_shifted)).real

Fonctions de fenêtre et fuite spectrale

Prendre la FFT d'un fragment fini de signal cause la fuite spectrale — l'énergie « fuit » de la vraie fréquence vers les bins voisins. Les fonctions de fenêtre (Hann, Hamming, Blackman) effilent le signal doucement vers zéro aux bords, réduisant la fuite au prix de pics fréquentiels légèrement plus larges. Pour la STFT (spectrogrammes), la fenêtre Hann à 50 % de chevauchement satisfait la propriété COLA pour une reconstruction parfaite.

numpy
import numpy as np

# Applying a window reduces spectral leakage at the edges of the FFT
N = 1024
t = np.linspace(0, 1, N, endpoint=False)
signal = np.sin(2 * np.pi * 50 * t)

# Rectangular window (no window) - lots of leakage
rect_fft = np.abs(np.fft.fft(signal))

# Hann window - smooth taper to zero at both ends
hann = np.hanning(N)
signal_hann = signal * hann
hann_fft = np.abs(np.fft.fft(signal_hann))

# Other common windows
hamming = np.hamming(N)
blackman = np.blackman(N)
bartlett = np.bartlett(N)

# Compare spectral leakage: Hann has wider main lobe but lower sidelobes
# Trade-off: frequency resolution vs leakage

# For overlap-add processing, use windows that sum to 1 when overlapped:
# Hann at 50% overlap -> COLA (constant overlap-add) property

# Short-time Fourier transform (STFT) via windowed FFTs
def stft(signal, window_size=256, hop=128):
    n_frames = (len(signal) - window_size) // hop + 1
    window = np.hanning(window_size)
    frames = []
    for i in range(n_frames):
        start = i * hop
        frame = signal[start:start + window_size] * window
        frames.append(np.fft.rfft(frame))
    return np.array(frames).T   # shape (n_freqs, n_frames)

Convolution via FFT

La convolution par FFT multiplie les spectres au lieu de glisser le noyau — bien plus rapide pour de grands signaux/noyaux (O(N log N) vs O(N*K)). La longueur de convolution doit être bourrée à au moins N+K-1 pour éviter les artefacts de convolution circulaire ; arrondir à une puissance de 2 rend la FFT la plus rapide. scipy.signal.fftconvolve est la version prête à la production — utilisez-la plutôt que de rouler la vôtre.

numpy
import numpy as np

# Convolution theorem: convolution in time = multiplication in frequency
# For large signals, FFT-based convolution is O(N log N) vs O(N^2) direct

signal = np.random.rand(10000)
kernel = np.random.rand(100)

# Method 1: np.convolve (direct, O(N*K))
direct_conv = np.convolve(signal, kernel, mode="same")

# Method 2: FFT-based convolution (fast for large kernels)
def fft_convolve(signal, kernel):
    n = len(signal) + len(kernel) - 1   # full convolution length
    n_fft = 1 << int(np.ceil(np.log2(n)))   # next power of 2 (faster FFT)
    fft_signal = np.fft.rfft(signal, n_fft)
    fft_kernel = np.fft.rfft(kernel, n_fft)
    fft_conv = fft_signal * fft_kernel
    conv = np.fft.irfft(fft_conv, n_fft)[:n]
    return conv

fft_result = fft_convolve(signal, kernel)
# Trim or pad to match 'same' mode if needed

# scipy.signal.fftconvolve is a production-ready version
from scipy.signal import fftconvolve
scipy_conv = fftconvolve(signal, kernel, mode="same")

# Cross-correlation (flip the kernel first)
xcorr = fftconvolve(signal, kernel[::-1], mode="same")

# Autocorrelation
autocorr = fftconvolve(signal, signal[::-1], mode="same")
16

Tableaux masqués

Créer des tableaux masqués

Les tableaux masqués représentent des données avec entrées invalides/manquantes sans polluer les données elles-mêmes (contrairement à NaN qui force un dtype flottant). Le masque est un tableau booléen parallèle — True signifie « invalide, ignore cette entrée ». masked_equal/masked_where sont des constructeurs courants. .filled() reconvertit en ndarray ordinaire en remplaçant les entrées masquées par une valeur de remplissage.

numpy
import numpy as np
import numpy.ma as ma

# A masked array = data + a boolean mask (True = invalid/missing)
data = np.array([1, 2, -999, 4, 5])
mask = np.array([False, False, True, False, False])
m = ma.masked_array(data, mask=mask)
# masked_array(data=[1, 2, --, 4, 5],
#              mask=[False, False,  True, False, False])

# Common constructors
ma.masked_equal(data, -999)        # mask all elements == -999
ma.masked_greater(data, 3)         # mask elements > 3
ma.masked_where(data > 3, data)    # general: mask where condition
ma.masked_invalid([1.0, np.nan, 3.0])   # mask NaN/inf

# Access components
m.data       # the underlying data (including masked values)
m.mask       # the boolean mask
m.filled(0)  # replace masked values with 0, return regular ndarray

# Check if any value is masked
m.mask.any()    # True

Opérations sur tableaux masqués

Les opérations sur tableaux masqués propagent le masque automatiquement — les entrées masquées restent masquées dans le résultat, et les réductions les ignorent. C'est l'avantage clé face aux valeurs sentinelles comme -999 : pas besoin de filtrer manuellement les entrées invalides dans chaque calcul. .compressed() retourne un ndarray plat des seules valeurs valides quand on veut un tableau simple.

numpy
import numpy as np
import numpy.ma as ma

m = ma.masked_array([1, 2, 3, 4, 5],
                    mask=[False, False, True, False, False])

# Reductions ignore masked values
m.sum()      # 12   (skips the masked 3)
m.mean()     # 3.0  (mean of unmasked only)
m.max()      # 5
m.min()      # 1

# Arithmetic propagates the mask
m + 10       # [11 12 -- 14 15]
m * 2        # [2 4 -- 8 10]

# Combine masks from two masked arrays
m2 = ma.masked_array([10, 20, 30, 40, 50],
                     mask=[True, False, False, False, True])
m + m2       # [-- 22 -- 44 --]   union of masks

# Logical operations
m < 4        # masked_array, masked entries stay masked

# Compress: extract only the unmasked values (returns 1-D array)
m.compressed()   # [1 2 4 5]   (regular ndarray, no mask)

# Count valid entries
ma.count(m)      # 4
m.count()        # 4

Remplissage et conversion

filled() est la façon standard de reconvertir un tableau masqué en ndarray ordinaire — choisissez la valeur de remplissage selon votre code en aval (NaN pour des flottants à tracer, 0 pour des entiers, ou la moyenne pour l'imputation). Attention : np.asarray(masked_array) retourne les données sous-jacentes Y COMPRIS les valeurs masquées — appelez toujours .filled() d'abord pour rendre la conversion explicite.

numpy
import numpy as np
import numpy.ma as ma

m = ma.masked_array([1.0, 2.0, 3.0, 4.0],
                    mask=[False, True, False, True])

# filled(): replace masked entries with a fill value
m.filled(0)         # [1. 0. 3. 0.]   - regular ndarray
m.filled(np.nan)    # [ 1. nan  3. nan]
m.filled(m.mean())  # fill with mean of unmasked

# The default fill value depends on dtype
m.fill_value    # 1e+20 for floats, 999999 for ints, etc.

# Set a custom fill value
m2 = ma.masked_array([1, 2, 3], mask=[0, 1, 0], fill_value=-1)

# Convert to a plain ndarray (loses mask info!)
arr = np.asarray(m)         # includes masked values! [1. 2. 3. 4.]
arr_filled = np.asarray(m.filled(np.nan))   # NaN where masked

# Convert a regular array with sentinel values to masked
data = np.array([1, -999, 3, -999, 5])
m3 = ma.masked_equal(data, -999)

# Convert masked back to array with NaN (for plotting)
arr_nan = ma.filled(m, np.nan)

Indexation des tableaux masqués

Indexer un tableau masqué marche comme un ndarray ordinaire, et le masque se préserve dans le résultat. Assignez ma.masked à une position pour la masquer ; assignez une valeur ordinaire pour la démacker. Régler .mask = ma.nomask efface tous les masques. L'attribut .data donne les valeurs brutes sous-jacentes (masquées incluses) — utile pour inspecter ce qui est caché.

numpy
import numpy as np
import numpy.ma as ma

m = ma.masked_array(np.arange(12).reshape(3, 4),
                    mask=[[0, 0, 1, 0],
                          [0, 1, 0, 0],
                          [1, 0, 0, 0]])

# Indexing works like regular arrays
m[0]            # first row (mask preserved)
m[1, 2]         # scalar value (or masked if masked)
m[:, 1]         # column 1

# Boolean mask on top of masked array
m[m.data > 5]   # values > 5 (mask still applied)

# Set values (and unmask)
m[0, 0] = 99
m[0, 0] = ma.masked   # re-mask a specific element

# Reset the mask entirely
m.mask = ma.nomask     # no values masked
m[1, 1] = ma.masked    # mask a single value

# Check element-wise
m[0, 2] is ma.masked   # True if that element is masked

# Logical operations keep the mask
(m > 5).data    # boolean array
(m > 5).mask    # propagated mask

# Iteration skips masked values (kind of)
list(m.compressed())   # all unmasked values, flattened

Quand utiliser les tableaux masqués

Les tableaux masqués excellent quand (1) vous avez des valeurs sentinelles comme -999 que vous ne pouvez pas convertir en NaN car le dtype est entier, (2) le masque a un sens métier comme « terre vs océan » ou « mesure de faible qualité », ou (3) vous devez suivre la validité séparément des valeurs. Pour des données manquantes purement NaN, des tableaux ordinaires avec les fonctions nan* sont plus simples et rapides.

numpy
import numpy as np
import numpy.ma as ma

# Scenario 1: Sentinel values in data (e.g. -999 for missing)
temps = np.array([23.5, -999, 24.0, -999, 22.5])
m = ma.masked_equal(temps, -999)
m.mean()   # 23.33...  (ignores -999 entries)

# Scenario 2: Quality flags / validity
values = np.array([10, 12, 8, 15, 11])
quality = np.array([1, 1, 0, 1, 0])   # 0 = bad
m = ma.masked_array(values, mask=(quality == 0))
m.mean()   # (10 + 12 + 15) / 3 = 12.33

# Scenario 3: Grid data with land/sea mask
sst = np.random.rand(5, 5) * 30   # sea surface temperature
land_mask = np.array([
    [1, 1, 0, 0, 0],
    [1, 0, 0, 0, 1],
    [0, 0, 1, 0, 0],
    [0, 1, 0, 0, 1],
    [1, 0, 0, 1, 1],
], dtype=bool)
sst_masked = ma.masked_array(sst, mask=land_mask)
sst_masked.mean()   # average over ocean only

# When NOT to use: if you just have NaN, regular arrays work fine
# (and np.nanmean etc. handle them). Use masked arrays when:
# - You need integer dtype (NaN forces float)
# - You have a non-NaN sentinel (-999, 0, etc.)
# - The mask has semantic meaning (quality flag, region)
17

Tableaux structurés

Définir des dtypes structurés

Les dtypes structurés permettent de stocker des données hétérogènes façon enregistrements dans un seul tableau NumPy — comme une table de base. Les codes de type suivent la forme <genre><octets> : i4 = int de 4 octets, f8 = float de 8 octets, U20 = Unicode de 20 caractères, ? = bool. Chaque élément est un enregistrement indexable par nom de champ. Utilisez cela pour l'interop bas niveau avec des structs C ou quand pandas manque.

numpy
import numpy as np

# Define a structured dtype: list of (name, format) tuples
dt = np.dtype([("name", "U20"),
               ("age", "i4"),
               ("weight", "f8"),
               ("active", "?")])    # ? = bool

# Create an array with this dtype
people = np.array([("Alice", 30, 65.5, True),
                   ("Bob", 25, 80.0, False),
                   ("Carol", 35, 55.0, True)], dtype=dt)

print(people)
# [('Alice', 30, 65.5,  True) ('Bob', 25, 80. , False) ...]

# Each element is a record (tuple-like)
people[0]              # ('Alice', 30, 65.5, True)
people[0]["name"]      # 'Alice'

# Type codes: i1/i2/i4/i8 (ints), u1..u8 (unsigned),
#             f2/f4/f8 (floats), U/n (strings), ? (bool), M8 (datetime)

Accéder aux champs

Accéder à un champ par nom (data['age']) retourne une VUE sur cette colonne à travers tous les enregistrements — pas de copie. L'accès multi-champs (data[['name', 'age']]) retourne une copie dans les vieux NumPy et une vue en NumPy >= 1.16. L'affectation de champ marche avec des scalaires (broadcast) ou des tableaux de même longueur. data.dtype.names donne la liste des noms de champs pour l'itération.

numpy
import numpy as np
dt = np.dtype([("name", "U20"), ("age", "i4"), ("score", "f4")])
data = np.array([("Alice", 30, 9.5),
                 ("Bob", 25, 8.0),
                 ("Carol", 35, 9.8)], dtype=dt)

# Access a single field across all records (returns a view)
data["name"]    # ['Alice' 'Bob' 'Carol']
data["age"]     # [30 25 35]
data["age"].mean()   # 30.0

# Modify a field
data["age"] += 1    # increment everyone's age
data["score"] = 0   # set all scores to 0

# Access multiple fields at once
data[["name", "score"]]   # new structured array with just those fields

# Field assignment with another array
data["score"] = [9.5, 8.0, 9.8]

# Iterate records (each record is a tuple)
for rec in data:
    print(rec["name"], rec["age"])

# Iterate fields
for name in data.dtype.names:
    print(name, data[name]

Trier et filtrer des tableaux structurés

Les tableaux structurés se trient par champ via l'argument order= — passez une chaîne pour un champ ou une liste de chaînes pour un tri lexicographique multi-clés. Le filtrage marche comme pour les tableaux ordinaires : construisez un masque booléen depuis une comparaison de champ et indexez en fancy. La plupart des réductions marchent par champ. Pour du group-by / agrégation plus sophistiqué, pandas est bien plus simple — mais les tableaux structurés peuvent être une alternative légère pour les cas simples.

numpy
import numpy as np
dt = np.dtype([("name", "U20"), ("age", "i4"), ("score", "f4")])
data = np.array([("Alice", 30, 9.5),
                 ("Bob", 25, 8.0),
                 ("Carol", 35, 9.8),
                 ("Dave", 28, 7.5)], dtype=dt)

# Sort by a single field
np.sort(data, order="age")         # ascending by age
np.sort(data, order="score")[::-1] # descending by score

# Sort by multiple fields (lexicographic)
np.sort(data, order=["score", "age"])  # primary: score, secondary: age

# argsort with order
idx = np.argsort(data, order="score")
data[idx]   # records sorted by score

# Filter by a field
mask = data["age"] > 28
data[mask]   # Alice, Carol

# Complex conditions
mask = (data["score"] > 8) & (data["age"] < 35)
data[mask]   # Alice

# Find unique values of a field
np.unique(data["age"])   # [25 28 30 35]

# Aggregate per field
data["age"].mean()
data["score"].std()

Record arrays (recarray)

Les record arrays (recarray) offrent l'accès aux champs par attribut (data.age au lieu de data['age']) à un petit coût de performance. La commodité est surtout cosmétique — sous le capot ce sont les mêmes que les tableaux structurés. Pour la plupart du code de production, préférez les tableaux structurés simples (plus rapides, plus explicites) ; recarray est pratique pour l'exploration interactive où taper des guillemets agace.

numpy
import numpy as np

# Record arrays: access fields as ATTRIBUTES (data.age vs data["age"])
dt = np.dtype([("name", "U20"), ("age", "i4"), ("score", "f4")])

# Method 1: view as recarray
data = np.array([("Alice", 30, 9.5),
                 ("Bob", 25, 8.0)], dtype=dt).view(np.recarray)

data.name    # ['Alice' 'Bob']   - attribute access!
data.age     # [30 25]
data.age.mean()

# Method 2: create directly with np.rec.array
recs = np.rec.array([("Alice", 30, 9.5),
                     ("Bob", 25, 8.0)],
                    dtype=[("name", "U20"), ("age", "i4"), ("score", "f4")])
recs.name    # attribute access
recs[0].name # 'Alice'

# Trade-off: recarray is slightly slower and uses a bit more memory
# than a plain structured array, but the syntax is cleaner.

# In practice, prefer plain structured arrays for performance,
# recarray only when you really want attribute access (e.g. in REPL).

Tableau structuré vs Pandas

Pour presque toute l'analyse de données tabulaires, pandas est le meilleur choix — bâti sur NumPy mais avec groupby, jointures, séries temporelles, gestion des données manquantes et I/O riche. Les tableaux structurés valent la peine pour (1) les situations mémoire serrée (2 à 10x plus petits qu'un DataFrame), (2) l'interop avec du code C/Fortran attendant des dispositions de struct, et (3) les environnements sans pandas. Convertissez librement avec pd.DataFrame(arr) et df.to_records().

numpy
import numpy as np
import pandas as pd

# Same data as a structured array vs a pandas DataFrame
dt = np.dtype([("name", "U20"), ("age", "i4"), ("score", "f4")])
sa = np.array([("Alice", 30, 9.5),
               ("Bob", 25, 8.0),
               ("Carol", 35, 9.8)], dtype=dt)

df = pd.DataFrame(sa)   # easy conversion
#    name  age  score
# 0  Alice   30    9.5
# 1    Bob   25    8.0
# 2  Carol   35    9.8

# Conversion back
sa2 = df.to_records(index=False)

# When to use structured arrays (NumPy):
# - Memory is tight (no pandas overhead, ~2-10x smaller)
# - Interoperating with C/Fortran code that expects structs
# - Simple, fixed-schema numeric data
# - Embedded / scientific computing without pandas available

# When to use pandas:
# - Heterogeneous data with mixed types
# - Need groupby, join, resample, time series
# - Handling missing data (NaN handling is richer)
# - Reading/writing CSV, Excel, SQL, Parquet
# - Most data analysis workflows

# Pandas is built on top of NumPy - usually the better default.
# Structured arrays are a low-level escape hatch.
18

einsum avancé et astuces de pas (strides)

Aide-mémoire des motifs einsum

einsum couvre un énorme éventail d'opérations avec une syntaxe unique : multiplication matricielle, transposition, trace, diagonale, somme, produit extérieur, opérations batchées et contractions arbitraires de tenseurs. La règle : chaque entrée reçoit une chaîne d'étiquettes d'axes ; la sortie garde les étiquettes à retenir ; toute étiquette présente en entrée mais absente de la sortie est sommée. Maîtrisez cela et vous exprimez la plupart de l'algèbre linéaire en une ligne.

numpy
import numpy as np
A = np.random.rand(3, 4)
B = np.random.rand(4, 5)
v = np.random.rand(4)

# Matrix multiply
np.einsum("ij,jk->ik", A, B)   # = A @ B

# Matrix-vector multiply
np.einsum("ij,j->i", A, v)     # = A @ v

# Vector inner product (dot)
np.einsum("i,i->", v, v)       # = v @ v = sum(v**2)

# Outer product
np.einsum("i,j->ij", v, v)     # = np.outer(v, v)

# Trace
np.einsum("ii->", A) if A.shape[0] == A.shape[1] else None

# Diagonal
M = np.random.rand(5, 5)
np.einsum("ii->i", M)          # = np.diag(M)

# Transpose
np.einsum("ij->ji", A)         # = A.T

# Sum all elements
np.einsum("ij->", A)           # = A.sum()

# Sum along axis 0
np.einsum("ij->j", A)          # = A.sum(axis=0)

# Element-wise (Hadamard) product
np.einsum("ij,ij->ij", A, A)   # = A * A

# Batched matrix multiply
X = np.random.rand(10, 3, 4)
Y = np.random.rand(10, 4, 5)
np.einsum("bij,bjk->bik", X, Y)   # batched A @ B

Strides et as_strided

as_strided crée une vue avec des pas arbitraires — utilisé pour implémenter fenêtres glissantes, statistiques roulantes et autres tableaux « virtuels » sans copier les données. C'est dangereux : des pas incorrects peuvent lire hors limites (corruption silencieuse ou crash). Préférez le sûr sliding_window_view (NumPy >= 1.20) qui calcule les pas correctement. Réservez as_strided aux cas où sliding_window_view ne convient pas.

numpy
import numpy as np

# np.lib.stride_tricks.as_strided: create views with custom strides
# Extremely powerful but DANGEROUS - can read out-of-bounds memory

a = np.arange(10)
print(a.strides)   # (8,)   - 8 bytes per int64

# Create a sliding-window view WITHOUT copying data
from numpy.lib.stride_tricks import sliding_window_view, as_strided

# Modern, safe way (NumPy >= 1.20):
windows = sliding_window_view(a, 3)
# shape (8, 3): [[0,1,2], [1,2,3], ..., [7,8,9]]
# This is a VIEW - shares memory with a

# Compute moving average using sliding windows
data = np.random.rand(1000)
window = 5
ma = sliding_window_view(data, window).mean(axis=1)
# shape (996,) - moving average

# The low-level (DANGEROUS) as_strided
# shape = (8, 3), strides = (8, 8)  -> step 1 element along both axes
windows2 = as_strided(a, shape=(8, 3), strides=(8, 8))
# Same as sliding_window_view(a, 3) but you must compute shape/strides
# yourself - get it wrong and you read garbage or crash.

# ALWAYS prefer sliding_window_view - it computes strides safely.

Fenêtres glissantes et opérations roulantes

sliding_window_view crée un tableau virtuel de fenêtres SANS copier les données — extrêmement économe en mémoire pour les calculs roulants. Utilisez .mean(axis=1) / .max(axis=1) pour les statistiques roulantes. Pour des images 2-D, la forme de fenêtre (3, 3) produit des patchs de forme (..., 3, 3) à la fin ; réduisez sur les deux derniers axes pour flou/convolution. Pour des fenêtres espacées, tranchez le résultat [::stride].

numpy
import numpy as np
from numpy.lib.stride_tricks import sliding_window_view

# 1-D rolling window
data = np.arange(10)
windows = sliding_window_view(data, 4)
# shape (7, 4): [[0,1,2,3], [1,2,3,4], ..., [6,7,8,9]]

# Rolling mean (window=4)
rolling_mean = windows.mean(axis=1)
# [1.5, 2.5, 3.5, 4.5, 5.5, 6.5, 7.5]

# Rolling max / min / sum
rolling_max = windows.max(axis=1)
rolling_min = windows.min(axis=1)
rolling_sum = windows.sum(axis=1)

# 2-D sliding window (e.g. for image processing)
img = np.random.rand(10, 10)
patches = sliding_window_view(img, (3, 3))
# shape (8, 8, 3, 3): each (i,j) is a 3x3 patch centered around (i+1, j+1)

# Compute patch-wise mean (blur effect)
blurred = patches.mean(axis=(-2, -1))
# shape (8, 8)

# Convolution-like operation (no padding, stride 1)
kernel = np.array([[1, 0, -1], [1, 0, -1], [1, 0, -1]])
convolved = (patches * kernel).sum(axis=(-2, -1))

# Window with step (downsample): slice the windows
windowed_stride2 = sliding_window_view(data, 4)[::2]
# shape (4, 4)

broadcast_arrays et astuces de tuilage

broadcast_to et broadcast_arrays créent des vues broadcastées virtuelles sans aucune copie de données — utile pour du code économe en mémoire. ogrid produit des vecteurs ouverts (1-D) qui broadcastent vers des grilles complètes quand combinés, économisant la mémoire vs meshgrid qui crée des grilles denses complètes. Utilisez ogrid pour les calculs sur grandes grilles où meshgrid ferait exploser la mémoire, et mgrid pour l'équivalent dense (pratique pour indexer).

numpy
import numpy as np
from numpy.lib.stride_tricks import broadcast_arrays, broadcast_to

# broadcast_to: view of an array broadcast to a new shape (read-only)
a = np.array([1, 2, 3])
b = np.broadcast_to(a, (4, 3))
# shape (4, 3), all rows = [1, 2, 3], no data copied
# b[0, 0] = 99   # ERROR - read-only

# broadcast_arrays: broadcast several arrays together (as views)
x = np.array([1, 2, 3])           # (3,)
y = np.array([[10], [20]])        # (2, 1)
bx, by = broadcast_arrays(x, y)
bx.shape   # (2, 3)
by.shape   # (2, 3)
# bx, by share memory with x, y (just with new strides)

# Use case: build coordinate grids without copying
xs = np.array([0, 1, 2])
ys = np.array([0, 1, 2, 3])
X, Y = np.meshgrid(xs, ys)        # creates copies
X2, Y2 = broadcast_arrays(xs, ys) # views - no copies!
# X2, Y2 are read-only views

# ogrid / mgrid: open / dense meshgrids
ox, oy = np.ogrid[0:3, 0:4]       # column + row vectors (views)
ox.shape   # (3, 1)
oy.shape   # (1, 4)
# Use for broadcasting computations: X = ox + oy  (shape (3, 4))

mx, my = np.mgrid[0:3, 0:4]       # dense (copies), shape (3, 4) each

Pas personnalisés pour des vues économes en mémoire

as_strided avec un pas de 0 sur un axe tuile virtuellement le tableau le long de cet axe sans copier les données. L'exemple des distances par paires montre le motif : insérez un axe de taille 1 avec as_strided pour que le broadcasting produise la matrice complète de différences sans pré-copier les entrées. C'est avancé et risqué — vérifiez toujours formes/pas soigneusement, et n'utilisez as_strided que si la mémoire est vraiment serrée.

numpy
import numpy as np
from numpy.lib.stride_tricks import as_strided

# Use case: compute pairwise distances without forming the full matrix
# (still O(N^2) compute, but at least no extra copy of the data)
points = np.random.rand(1000, 3)   # 1000 points in 3-D

# Method 1: explicit broadcasting (creates intermediates)
# diff = points[:, None, :] - points[None, :, :]   # (1000, 1000, 3) = 24MB
# dists = np.linalg.norm(diff, axis=-1)            # (1000, 1000)

# Method 2: use as_strided to view points as (1000, 1, 3) and (1, 1000, 3)
# without copying - same compute, less peak memory
n, d = points.shape
p1 = as_strided(points, shape=(n, 1, d),
                strides=(points.strides[0], 0, points.strides[1]))
p2 = as_strided(points, shape=(1, n, d),
                strides=(0, points.strides[0], points.strides[1]))
# p1 and p2 share memory with points (zero-copy broadcast views)
# diff = p1 - p2  still allocates (n, n, d), but the inputs didn't

# Compute a Gram matrix (X @ X.T) with as_strided
X = np.random.rand(100, 5)
gram = np.einsum("ij,ik->jk", X, X)   # = X.T @ X, shape (5, 5)

# Tile an array virtually (without copying)
a = np.array([1, 2, 3])
tiled_view = as_strided(a, shape=(4, 3),
                        strides=(0, a.strides[0]))
# Each row is [1, 2, 3], no data copied

Was this helpful?

Learning path

Learn from scratch

Learn this language from the ground up with structured lessons.