la mémoire

contenu de ce notebook (sauter si déjà acquis)¶

avoir une intuition de ce qui se passe dans en mémoire pour un numpy.ndarray

An array object represents a multidimensional, homogeneous array of fixed-size items.

• indiçage des tableaux numpy

• modification de la forme des tableaux numpy avec numpy.resize et numpy.reshape (la mémoire sous-jacente est partagée)

• indirection versus décalage (offset)

organisation de la mémoire¶

créons un tableau numpy en 2 dimensions: 4 lignes et 5 colonnes

import numpy as np

mat =  np.array(
    [[1, 2, 3, 4, 5],
     [6, 7, 8, 9, 10],
     [11, 12, 13, 14, 15],
     [16, 17, 18, 19, 20]])
mat

la mémoire occupée en mémoire en nombre d’octets (byte)

mat.nbytes

organisation en mémoire des tableaux¶

rapidité des manipulations mémoire¶

offset¶

pas d’indirection mémoire¶

exercice: tableau de chaînes de caractères¶

exercices

1. à partir de la liste Python de chaînes de caractères

l = ['un', 'deux', 'trois', 'cinq']

créez un tableau numpy.ndarray (de nom tab) et affichez-le

1. modifiez le premier élément pour mettre quatre

tab[0] = 'quatre'

et affichez le tableau

1. Que constatez-vous ? Pourquoi quatr ?

2. affichez le type des éléments, le comprenez-vous ?
   < est une histoire d’ordre des octets dans les objets
   U signifie unicode
   Que signifie 5 ?

# votre code ici

numpy cherche le plus petit type pour stocker les chaînes de caractères initiales

ici une case est constituée d’un tableau d’au plus 5 caractères
(une case n’est pas l’adresse d’une chaîne de caractère mais bien la valeur de la chaîne)

exercice: tableau hétérogène¶

exercice

1. créez un tableau np.ndarray à partir de la liste Python suivante

l = [127, 128, 17.4, np.pi, True, False]

1. affichez le type des éléments
   que constatez-vous ?
   que numpy a trouvé le plus petit type pouvant contenir tous ces objets numériques

2. ajoutez à la liste Python l, la chaîne de caractères bonjour
   et créez un autre numpy.ndarray à partir de la nouvelle valeur de l

3. affichez les éléments
   Que constatez-vous ?

4. quel type numpy a-t-il trouvé pour stocker tous ces éléments ?

# votre code ici

Pour plus d’informations, voir https://numpy.org/doc/stable/user/basics.types.html

index des tableaux¶

forme des tableaux numpy¶

1-dimension¶

2-dimension¶

3-dimension¶

les lignes et colonnes¶

# votre code ici

changer la forme d’un tableau¶

fonctions resize et reshape¶

# le code
seg = np.arange(0, 30)
seg = seg.reshape(5, 6) # reshape retourne le tableau ainsi modifié
print(seg)
seg = seg.reshape(2, 5, 3)
print(seg)

[[ 0  1  2  3  4  5]
 [ 6  7  8  9 10 11]
 [12 13 14 15 16 17]
 [18 19 20 21 22 23]
 [24 25 26 27 28 29]]
[[[ 0  1  2]
  [ 3  4  5]
  [ 6  7  8]
  [ 9 10 11]
  [12 13 14]]

 [[15 16 17]
  [18 19 20]
  [21 22 23]
  [24 25 26]
  [27 28 29]]]

# le code
seg = np.arange(0, 30)
seg.resize(5, 6) # resize modifie le tabeau en place
print(seg)
seg.resize(2, 5, 3)
print(seg)

[[ 0  1  2  3  4  5]
 [ 6  7  8  9 10 11]
 [12 13 14 15 16 17]
 [18 19 20 21 22 23]
 [24 25 26 27 28 29]]
[[[ 0  1  2]
  [ 3  4  5]
  [ 6  7  8]
  [ 9 10 11]
  [12 13 14]]

 [[15 16 17]
  [18 19 20]
  [21 22 23]
  [24 25 26]
  [27 28 29]]]

mémoire partagée¶

exercice

1. créez un tableau tab de 6 ones de forme (6)
   et affichez-le

2. mettez dans tab1 le reshape de tab avec la forme (3, 2)
   et affichez-le

3. modifiez le premier élément de tab

4. affichez tab1
   a-t-il été modifié ?

les deux objets tab et tab1 de type numpy.ndarray

• sont des objets différents (leurs index sont différents)

• mais ils ont le même segment sous-jacent de données

• toucher l’un a pour effet de modifier l’autre

# votre code