Pourquoi des bibliothèques de données : des listes aux tableaux
Les listes Python sont souples, mais pour les nombres elles sont lentes et verbeuses. Doubler chaque valeur d'une liste demande d'écrire une boucle :
prices = [10, 20, 30]
doubled = []
for p in prices:
doubled.append(p * 2)
print(doubled) # [20, 40, 60]numpy (Numerical Python) te donne le ndarray : une grille de nombres rangée dans un seul bloc de mémoire compact. Les calculs sur un tableau entier se font en C compilé et rapide, sans boucle Python. C'est ce qu'on appelle la vectorisation.
import numpy as np
prices = np.array([10, 20, 30])
print(prices * 2) # [20 40 60] no loop needed
print(prices.sum()) # 60
print(prices.mean()) # 20.0Toute la pile de la donnée et de l'apprentissage automatique repose sur numpy, donc c'est la première étape naturelle. Par convention, on l'importe sous le nom np.
Construis un tableau avec np.array(a_list), puis appelle directement dessus des méthodes comme .sum() et .mean(). Elles renvoient un seul nombre (un scalaire Python/numpy), pas une liste.
Importe numpy sous le nom np. Transforme la liste [4, 8, 12, 16] en un tableau numpy appelé arr. Puis calcule total, sa somme, et avg, sa moyenne. Affiche avg.
Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon
Cet exercice s'ouvre bientôt
Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.
Ce navigateur bloque les cookies pour learn.floati.life, donc les leçons que tu as terminées ici ne peuvent pas s'ouvrir dans l'ordre. Autorise les cookies pour ce site et recharge la page.