Contenu du cours

Numpy Ultime

1. Bases de NumPy

Introduction à NumPy Création de Tableau de Base Création de Tableaux à Dimensions Supérieures Fonctions de Création pour les Tableaux 1D Fonctions de Création pour les Tableaux 2D Fonctions Générales de Création de Tableaux Tableaux Aléatoires

2. Indexation et Découpage

Indexation de Base Indexation Multidimensionnelle Découpage Découpage dans les Tableaux 2D Indexation par Tableau d'Entiers Indexation Booléenne Plus sur les Comparaisons Indexation Booléenne dans les Tableaux 2D Attribuer des Valeurs aux Éléments Indexés Assignation de Valeurs aux Sous-Tableaux Indexés

3. Fonctions NumPy Couramment Utilisées

Tri des Tableaux Tri des Tableaux 2D Copier des Tableaux Restructuration des Tableaux Aplatissement des Tableaux Concaténation de Tableaux

4. Math avec NumPy

Diffusion Opérations Mathématiques de Base Opérations Statistiques Algèbre Linéaire de Base avec NumPy

Opérations Statistiques

Effectuer diverses opérations statistiques sur des tableaux est essentiel pour l'analyse de données et l'apprentissage automatique. NumPy fournit des fonctions et des méthodes pour les effectuer efficacement.

Mesures de Tendance Centrale

Les mesures de tendance centrale représentent une valeur centrale ou représentative au sein d'une distribution de probabilité. La plupart du temps, cependant, vous calculerez ces mesures pour un certain échantillon.

Voici les deux principales mesures :

Moyenne : la somme de toutes les valeurs divisée par le nombre total de valeurs ;
Médiane : La valeur centrale dans un échantillon trié.

NumPy fournit les fonctions mean() et median() pour calculer respectivement la moyenne et la médiane :


              12345678
            
import numpy as np
sample = np.array([10, 25, 15, 30, 20, 10, 2])
# Calculating the mean
sample_mean = np.mean(sample)
print(f'Sorted sample: {np.sort(sample)}')
# Calculating the median
sample_median = np.median(sample)
print(f'Mean: {sample_mean}, median: {sample_median}')

Nous avons également affiché l'échantillon trié afin que vous puissiez clairement voir la médiane. Notre échantillon a un nombre impair d'éléments (7), donc la médiane est simplement l'élément à l'index (n + 1) / 2 dans l'échantillon trié, où n est la taille de l'échantillon.

Remarque

Lorsque l'échantillon a un nombre pair d'éléments, la médiane est la moyenne des éléments aux indices n / 2 et n / 2 - 1 dans l'échantillon trié.


              1234
            
import numpy as np
sample = np.array([1, 2, 8, 10, 15, 20, 25, 30])
sample_median = np.median(sample)
print(f'Median: {sample_median}')

Notre échantillon est déjà trié et contient 8 éléments, donc n / 2 - 1 = 3 et sample[3] est 10. n / 2 = 4 et sample[4] est 15. Par conséquent, notre médiane est (10 + 15) / 2 = 12.5.

Mesures de Dispersion

Deux mesures de dispersion sont la variance et l'écart type. La variance mesure à quel point les données sont dispersées. Elle est égale à la moyenne des carrés des différences de chaque valeur par rapport à la moyenne.

L'écart type est la racine carrée de la variance. Il fournit une mesure de la dispersion des données dans les mêmes unités que les données.

NumPy dispose de la fonction var() pour calculer la variance de l'échantillon et de la fonction std() pour calculer l'écart type de l'échantillon :


              1234567
            
import numpy as np
sample = np.array([10, 25, 15, 30, 20, 10, 2])
# Calculating the variance
sample_variance = np.var(sample)
# Calculating the standard deviation
sample_std = np.std(sample)
print(f'Variance: {sample_variance}, standard deviation: {sample_std}')

Calculs dans des Tableaux de Dimensions Supérieures

Toutes ces fonctions ont un second paramètre axis. Sa valeur par défaut est None, ce qui signifie que la mesure sera calculée le long d'un tableau aplati (même si le tableau original est 2D ou de dimensions supérieures).

Vous pouvez également spécifier l'axe exact le long duquel calculer la mesure :


              12345678
            
import numpy as np
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
# Calculating the mean in a flattened array
print(np.mean(array_2d))
# Calculating the mean along axis 0
print(np.mean(array_2d, axis=0))
# Calculating the mean along axis 1
print(np.mean(array_2d, axis=1))

L'image ci-dessous montre la structure du tableau exam_scores utilisé dans la tâche :

Tâche

Swipe to start coding

Vous analysez le tableau exam_scores, un tableau 2D de scores de test simulés pour 5 étudiants (5 colonnes) sur 2 examens différents (2 lignes).

Calculez la moyenne des scores pour chaque examen en spécifiant le deuxième argument clé.
Calculez la médiane de tous les scores.
Calculez la variance de tous les scores.
Calculez l'écart type de tous les scores.

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 4. Chapitre 3

Opérations Statistiques

Mesures de Tendance Centrale

Voici les deux principales mesures :

Moyenne : la somme de toutes les valeurs divisée par le nombre total de valeurs ;
Médiane : La valeur centrale dans un échantillon trié.

NumPy fournit les fonctions mean() et median() pour calculer respectivement la moyenne et la médiane :


              12345678
            
import numpy as np
sample = np.array([10, 25, 15, 30, 20, 10, 2])
# Calculating the mean
sample_mean = np.mean(sample)
print(f'Sorted sample: {np.sort(sample)}')
# Calculating the median
sample_median = np.median(sample)
print(f'Mean: {sample_mean}, median: {sample_median}')

Remarque

Lorsque l'échantillon a un nombre pair d'éléments, la médiane est la moyenne des éléments aux indices n / 2 et n / 2 - 1 dans l'échantillon trié.


              1234
            
import numpy as np
sample = np.array([1, 2, 8, 10, 15, 20, 25, 30])
sample_median = np.median(sample)
print(f'Median: {sample_median}')

Mesures de Dispersion

L'écart type est la racine carrée de la variance. Il fournit une mesure de la dispersion des données dans les mêmes unités que les données.

NumPy dispose de la fonction var() pour calculer la variance de l'échantillon et de la fonction std() pour calculer l'écart type de l'échantillon :


              1234567
            
import numpy as np
sample = np.array([10, 25, 15, 30, 20, 10, 2])
# Calculating the variance
sample_variance = np.var(sample)
# Calculating the standard deviation
sample_std = np.std(sample)
print(f'Variance: {sample_variance}, standard deviation: {sample_std}')

Calculs dans des Tableaux de Dimensions Supérieures

Vous pouvez également spécifier l'axe exact le long duquel calculer la mesure :


              12345678
            
import numpy as np
array_2d = np.array([[1, 2, 3], [4, 5, 6]])
# Calculating the mean in a flattened array
print(np.mean(array_2d))
# Calculating the mean along axis 0
print(np.mean(array_2d, axis=0))
# Calculating the mean along axis 1
print(np.mean(array_2d, axis=1))

L'image ci-dessous montre la structure du tableau exam_scores utilisé dans la tâche :

Tâche

Swipe to start coding

Vous analysez le tableau exam_scores, un tableau 2D de scores de test simulés pour 5 étudiants (5 colonnes) sur 2 examens différents (2 lignes).

Calculez la moyenne des scores pour chaque examen en spécifiant le deuxième argument clé.
Calculez la médiane de tous les scores.
Calculez la variance de tous les scores.
Calculez l'écart type de tous les scores.

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 4. Chapitre 3

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous