import numpy as npcontenu de ce notebook (sauter si déjà acquis)¶
tests sur les tableaux multi-dimensionnels numpy par fonctions vectorisées ufunc
masques/filtres booléens
composition des conditions
opérateurs logiques bit-à-bit & | ~
équivalent numpy np.logical_and np.logical_or np.logical_not
obtenir une vue sur les éléments du tableau initialnumpy.argwhere, numpy.nonzero et numpy.putmask
tests sur tableaux multi-dimensionnels¶
# le code
tab = np.random.randint(10, size=(2, 3))
print(tab)
print(tab % 2 == 0)
print(np.equal(tab % 2, 0))
res = tab % 2 == 0
print(res.shape)[[2 6 0]
[6 2 3]]
[[ True True True]
[ True True False]]
[[ True True True]
[ True True False]]
(2, 3)
n’utilisez pas de for-python: utilisez les ufunc¶
# > est une ufunc
# on peut écrire indifféremment
tab > 5array([[False, True, False],
[ True, False, False]])# ou bien
np.greater(tab, 5)array([[False, True, False],
[ True, False, False]])combiner les résultats¶
# le code
tab = np.random.randint(10, size=(2, 3))
res = np.equal(tab%2, 0)
print(np.any(res))
print(np.all(res))
print(np.sum(res))
print(np.count_nonzero(tab%2==0))
print(np.sum(res, axis=0))
np.count_nonzero(tab%2==0, axis=0)True
False
4
4
[1 2 1]
array([1, 2, 1])les masques/filtres booléens¶
# le code
tab = np.random.randint(-10, 10, size=(2, 3, 4))
tabarray([[[ -1, -3, -6, -5],
[ 3, 4, -10, 4],
[ 6, -3, -4, 0]],
[[ 0, -5, 9, -7],
[ 3, -6, -2, 5],
[ 6, 5, -6, -4]]])# le code
print(tab[np.greater(tab, 0)])
print(tab[tab > 0])[3 4 4 6 9 3 5 6 5]
[3 4 4 6 9 3 5 6 5]
# le code
tab [tab > 0] = 0
tabarray([[[ -1, -3, -6, -5],
[ 0, 0, -10, 0],
[ 0, -3, -4, 0]],
[[ 0, -5, 0, -7],
[ 0, -6, -2, 0],
[ 0, 0, -6, -4]]])# le code
np.argwhere(tab==0)array([[0, 1, 0],
[0, 1, 1],
[0, 1, 3],
[0, 2, 0],
[0, 2, 3],
[1, 0, 0],
[1, 0, 2],
[1, 1, 0],
[1, 1, 3],
[1, 2, 0],
[1, 2, 1]])composition des conditions¶
# le code
tab = np.random.randint(100, size=(3, 4))
print(tab)
print((tab >= 25) & (tab < 75))
print((tab >= 25) & (tab < 75) & ~(tab%2==0))[[48 89 72 8]
[77 4 27 25]
[18 93 88 87]]
[[ True False True False]
[False False True True]
[False False False False]]
[[False False False False]
[False False True True]
[False False False False]]
# le code
print(np.logical_and(tab >= 25, tab < 75))
print(np.logical_and(tab >= 25, np.logical_and(tab < 75, np.logical_not(tab%2==0))))[[ True False True False]
[False False True True]
[False False False False]]
[[False False False False]
[False False True True]
[False False False False]]
# ATTENTION
# en Python pur on a le droit d'écrire un test comme
# 25 <= tab < 75
# MAIS comme ça va implicitement faire un 'and'
# ça ne fonctionne pas avec les tableaux numpy
try:
25 <= tab < 75
except Exception as exc:
print("OOPS - ne marche pas avec numpy\n", exc)OOPS - ne marche pas avec numpy
The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()
modifier les éléments dans tableau d’origine¶
affecter une sélection¶
# le code
tab = np.array([[1, 2, 3], [4, 5, 6]])
tab[tab % 2 == 0] = 100
print(tab)[[ 1 100 3]
[100 5 100]]
c’est fragile (1)¶
# le code
tab = np.array([[1, 2, 3], [4, 5, 6]])
view = tab[tab%2==0]
view[...] = 100
print(tab)
print(view)[[1 2 3]
[4 5 6]]
[100 100 100]
c’est fragile (2)¶
# le code
tab = np.array([[1, 2, 3], [4, 5, 6]])
tab[tab%2==0][0] = 100
print(tab)[[1 2 3]
[4 5 6]]
repérer les éléments par leurs indices¶
la fonction numpy.nonzero¶
tab = np.array([[1, 2, 3], [4, 5, 6]])
print("non zero", np.nonzero(~(tab%2==0)))
print("elements", tab[0, 0], tab[0, 2], tab[1, 1])
print("filter", tab[np.nonzero(~(tab%2==0))])
tab[np.nonzero(~(tab%2==0))] = 0
print("edited tab", tab)non zero (array([0, 0, 1]), array([0, 2, 1]))
elements 1 3 5
filter [1 3 5]
edited tab [[0 2 0]
[4 0 6]]
la fonction numpy.argwhere¶
# le code
tab = np.array([[1, 2, 3], [4, 5, 6]])
cond = ~(tab%2==0)
print(np.argwhere(cond).T)
print(np.nonzero(cond))
print(tuple(np.argwhere(cond).T))
tab[tuple(np.argwhere(cond).T)][[0 0 1]
[0 2 1]]
(array([0, 0, 1]), array([0, 2, 1]))
(array([0, 0, 1]), array([0, 2, 1]))
array([1, 3, 5])modifier avec array.putmask()¶
# le code
tab = np.arange(12).reshape(3, 4)
np.putmask(tab, tab%2==1, 0)
tabarray([[ 0, 0, 2, 0],
[ 4, 0, 6, 0],
[ 8, 0, 10, 0]])