astype() permet de modifier le type des données
a = np.arange(10)
print(a) # [0 1 2 3 4 5 6 7 8 9]
print(a.dtype) # int64
b = a.astype('float16')
print(b) # [0. 1. 2. 3. 4. 5. 6. 7. 8. 9.]
print(b.dtype) # float16
Il existe différentes méthodes pour vérifier si le tableau contient des valeurs spéciales, telles que inf ou NaN.
a = np.array([12, 2, 1j])
print(np.iscomplexobj(a)) # True
print(np.isrealobj(a)) # False
a = np.array([[1, 2, 3], [4, 5, 6]], order='F')
print(np.isfortran(a)) # True
Les fonctions suivantes peuvent également être utilisées comme filtre:
a = np.array([12, 2, 1, np.NAN, np.inf, np.NINF])
print(np.iscomplex(a)) # [False False True False False False]
print(np.isreal(a)) # [ True True False True True True]
print(np.isfinite(a)) # [ True True True False False False]
print(np.isnan(a)) # [False False False True False False]
print(np.isinf(a)) # [False False False False True True]
print(np.isposinf(a)) # [False False False False True False]
print(np.isneginf(a)) # [False False False False False True]
vectorize() permet d’appliquer une fonction élément par élément:
X = np.array([0,1,2])
print(np.vectorize(lambda x: 'test {:d}'.format(x))(X))
'''
['test 0' 'test 1' 'test 2']
'''
On peut passer plusieurs matrices de même dimension:
X = np.array([0,1,2])
Y = np.array([0,1,2])
XX, YY = np.meshgrid(X,Y)
def f(xx,yy):
return '({:d},{:d})'.format(xx,yy)
print(np.vectorize(f)(XX, YY))
'''
[['(0,0)' '(1,0)' '(2,0)']
['(0,1)' '(1,1)' '(2,1)']
['(0,2)' '(1,2)' '(2,2)']]
'''
apply_along_axis() permet d’appliquer une fonction d’aggrégation ligne par ligne ou colonne par clonne:
a = np.array([[1,2,3],[4,5,6]])
# somme les colonnes des lignes 1 & 2
print(np.apply_along_axis(lambda x: x.sum(), 0, a))
'''
[5 7 9]
'''
# somme chaque ligne
print(np.apply_along_axis(lambda x: x.sum(), 1, a))
'''
[ 6 15]
'''
place() permet de remplacer les valeurs d’un tableau selon un masque (matrice de booléens)
a = np.array([[1,2],[3,4]])
b = np.array([10,20])
np.place(a, a%2==0, b)
print(a)
'''
[[ 1 10]
[ 3 20]]
'''
unique() retourne les valeurs du tableau en enlevant les duplicats
a = np.array([1,2,2,3,8,1,2])
print(np.unique(a))
'''
[1 2 3 8]
'''
Passer le paramètre return_counts=True pour récupérer le nombre d’occurrences de chaque valeur
values, count = np.unique(a, return_counts=True)
print(values) # [1 2 3 8]
print(count) # [2 3 1 1]
bincount() compte la fréquence des valeurs entre 0 et X.max()
a = np.array([2,2,3,8,1,2])
print("Valeurs a :", a)
print("Index 0..a.max:", np.arange(a.max()+1))
print("Occurences :", np.bincount(a))
'''
Valeurs a : [2 2 3 8 1 2]
Index 0..a.max: [0 1 2 3 4 5 6 7 8]
Occurences : [0 1 3 1 0 0 0 0 1]
'''
Peut être utilisé pour faire du binning:
a = np.random.randint(20, 60, size=100)
_min = 20
_max = 60
_step = 5
count = np.bincount(a, minlength=_max)[_min:] # compte la fréquence des valeurs de 0 à 60 (trunc à partir de 20)
groups = np.split(count, (_max-_min)/_step) # sépare en groupes
bins = np.apply_along_axis(np.sum, 1, groups) # somme chaque groupe
print(bins)
for i, val in enumerate(bins):
k = _min + i*_step
print('Entre {min:d} et {max:d} ans: {value:d}'.format(
min=k,
max=k+_step-1,
value=val))
'''
[14 9 17 13 15 14 9 9]
Entre 20 et 24 ans: 14
Entre 25 et 29 ans: 9
Entre 30 et 34 ans: 17
Entre 35 et 39 ans: 13
Entre 40 et 44 ans: 15
Entre 45 et 49 ans: 14
Entre 50 et 54 ans: 9
Entre 55 et 59 ans: 9
'''
plt.hist(a, bins=int((_max-_min)/_step), range=(_min,_max))
plt.grid()
On peut s’en servir pour savoir quelle valeur apparaît le plus souvent (mode):
print(np.bincount(a).argmax()) # 34
clip() remplace les valeurs inférieures à la valeur minimum par la valeur minimum, et les valeurs supérieures à la valeur maximum par la valeur maximum.
a = np.arange(10)
print(a)
'''
[0 1 2 3 4 5 6 7 8 9]
'''
print(np.clip(a, a_min=2, a_max=6))
'''
[2 2 2 3 4 5 6 6 6 6]
'''
x = np.array(['Hello wOrld ', 'and bob'])
print(np.char.lower(x)) # ['hello world ' 'and bob']
print(np.char.upper(x)) # ['HELLO WORLD ' 'AND BOB']
print(np.char.capitalize(x)) # ['Hello world ' 'And bob']
print(np.char.title(x)) # ['Hello World ' 'And Bob']
print(np.char.strip(x)) # ['Hello wOrld' 'and bob']
print(np.char.center(x, 10, '*')) # ['Hello wOrl' '*and bob*']
print(np.char.ljust(x, 10, '*')) # ['Hello wOrl' 'and bob**']
print(np.char.rjust(x, 10, '*')) # ['Hello wOrl' '**and bob']
print(np.char.count(x, 'l')) # [3 0]
print(np.char.find(x, 'l')) # [ 2 -1]
print(np.char.rfind(x, 'l')) # [ 9 -1]
x2 = np.char.split(x)
print(x2) # [list(['Hello', 'wOrld']) list(['and', 'bob'])]
print(np.char.join(' ', x2)) # ['Hello wOrld' 'and bob']
print(np.concatenate(x2)) # ['Hello' 'wOrld' 'and' 'bob']
a = np.array([True, False, True])
print(a.all()) # False
print(a.any()) # True
b = np.array([True, True, False])
print(np.logical_and(a, b)) # [ True False False]
print(np.logical_or(a, b)) # [ True True True]
print(np.logical_xor(a, b)) # [False True True]
print(np.logical_not(a)) # [False True False]
# Charger les données à partir d'un fichier
a = np.genfromtxt('data.txt', delimiter=',')
print(a)
print(a.astype(int32))