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
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
|
{
"metadata": {
"kernelspec": {
"display_name": "Python 3 (ipykernel)",
"language": "python",
"name": "python3"
},
"language_info": {
"codemirror_mode": {
"name": "ipython",
"version": 3
},
"file_extension": ".py",
"mimetype": "text/x-python",
"name": "python",
"nbconvert_exporter": "python",
"pygments_lexer": "ipython3",
"version": "3.8.10"
}
},
"nbformat": 4,
"nbformat_minor": 1,
"cells": [
{
"cell_type": "code",
"execution_count": 1,
"metadata": {},
"outputs": [],
"source": [
"import numpy as np"
]
},
{
"cell_type": "markdown",
"metadata": {
"lang": "fr"
},
"source": [
"Regardons comment extraire des morceaux d'un tableau ou modifier seulement certaines de ses parties. Pour cela nous\n",
"disposons de deux outils :\n",
" \n",
"* l'extraction suivant les indices\n",
"* l'extraction suivant un filtre logique sur les valeurs"
]
},
{
"cell_type": "markdown",
"metadata": {
"lang": "fr"
},
"source": [
"## Filtrer via les indices\n",
"\n",
"On peut extraire des valeurs d'un tableau en fonction de ses indices comme on l'a fait pour les listes. Pour chaque dimension du tableau on peut indiquer\n",
"\n",
"* la valeur de l'indice voulu (un entier)\n",
"* une liste d'indices `debut:fin:saut`. Ainsi `1:6:2` veut dire les valeurs impaires entre l'indice 1 et l'indice 6 exclus. Les valeurs `debut`, `fin` et `saut` sont optionnelles :\n",
" * `:5` donne les 5 première valeurs (indices 0,1,2,3 et 4)\n",
" * `3:` donne de la 4-ième à la dernière valeurs\n",
" * `::3` donne une valeur sur 3 du début à la fin du tableau.\n",
"* une liste d'indices explicite comme `[1,3,-2]` (les valeurs négatives commencent par la fin, `-2` est l'avant dernier indice)"
]
},
{
"cell_type": "code",
"execution_count": 2,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"[[ 0 1 2 3]\n",
" [ 4 5 6 7]\n",
" [ 8 9 10 11]] \n",
"\n",
"[4 5 6 7] \n",
"\n",
"[[0 1]\n",
" [4 5]] \n",
"\n",
"[ 3 11] \n",
"\n",
"[[ 0 3]\n",
" [ 4 7]\n",
" [ 8 11]]\n"
]
}
],
"source": [
"a = np.arange(12).reshape(3,4)\n",
"print(a, '\\n')\n",
"print(a[1, :], '\\n') # 2nd line\n",
"print(a[0:2, 0:2], '\\n') # top left sub-matrix\n",
"print(a[::2, -1], '\\n') # even lines, last column\n",
"print(a[:, [0,-1]]) # first and last column"
]
},
{
"cell_type": "markdown",
"metadata": {
"lang": "fr"
},
"source": [
"Il est ainsi possible d'indiquer qu'une opération ne s'applique qu'à un extrait du tableau en indiquant \n",
"quelles sont les cases du tableau qui seront modifiées :"
]
},
{
"cell_type": "code",
"execution_count": 3,
"metadata": {},
"outputs": [
{
"data": {
"text/plain": [
"array([[ 0, 101, 2, 103],\n",
" [ 4, 5, 6, 7],\n",
" [ 8, 109, 10, 111]])"
]
},
"execution_count": 3,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"a[::2, 1::2] += 100\n",
"a"
]
},
{
"cell_type": "markdown",
"metadata": {
"lang": "fr"
},
"source": [
"Cela permet aussi d'écrire simplement des calculs comme extraire une image en niveau de gris d'une image en couleur :"
]
},
{
"cell_type": "code",
"execution_count": 4,
"metadata": {},
"outputs": [],
"source": [
"image = np.random.randint(256, size=(800, 600, 3)) # RGB 800x600 image\n",
"gray_image = 0.2126 * image[:,:,0] + 0.7152 * image[:,:,1] + 0.0722 * image[:,:,2]"
]
},
{
"cell_type": "markdown",
"metadata": {
"lang": "fr"
},
"source": [
"On peut aussi utiliser `...` pour remplacer plusieurs indices ainsi `image[...,0] == image[:,:,0]`"
]
},
{
"cell_type": "markdown",
"metadata": {
"lang": "fr"
},
"source": [
"## Les filtres logiques\n",
"\n",
"### Un filtre = une condition logique\n",
"\n",
"Numpy permet d'extraire simplement les valeurs qui répondent à une condition logique.\n",
"\n",
"Pour cela on utilise un filtre, à savoir un tableau booléen que l'on pose sur un tableau de même dimension en imaginant que les cases True sont des fenêtres et False des murs. Le résultat est l'ensemble des valeurs qu'on voit à travers les fenêtres ordonnées par leur indice.\n",
"\n",
"Le résultat est toujours un tableau en 1 dimension sauf si on utilise `where`."
]
},
{
"cell_type": "code",
"execution_count": 5,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"The filter a > 5 is\n",
" [[False False False False]\n",
" [False False True True]\n",
" [ True True True True]]\n"
]
},
{
"data": {
"text/plain": [
"array([ 6, 7, 8, 9, 10, 11])"
]
},
"execution_count": 5,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"a = np.arange(12).reshape(3,4)\n",
"fil = a > 5 # a > 5 means all VALUES greater than 5\n",
"print(\"The filter a > 5 is\\n\", fil)\n",
"a[fil] # apply the filter and show the result (1D array)"
]
},
{
"cell_type": "markdown",
"metadata": {
"lang": "fr"
},
"source": [
"Il est bien plus simple et lisible d'écrire la condition logique là où on met normalement les indices, à savoir entre les crochets :"
]
},
{
"cell_type": "code",
"execution_count": 6,
"metadata": {},
"outputs": [
{
"data": {
"text/plain": [
"array([ 6, 7, 8, 9, 10, 11])"
]
},
"execution_count": 6,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"a[a>5]"
]
},
{
"cell_type": "markdown",
"metadata": {
"lang": "fr"
},
"source": [
"#### Lorsque le but est le filtre\n",
"\n",
"Le filtre peut servir à autre chose qu'a séléctionner les valeurs de notre tableau. Il peut être le résultat sur lequel on veut travailler, par exemple pour une population `fil = (age == weight)`. C'est un tableau de booléen qui donne des cas vrai et d'autre faux c.a.d. des 0 et des 1.\n",
"\n",
"Ainsi, avec un filtre `fil`, on peut savoir\n",
"\n",
"| | | |\n",
"|:-|:-|:-|\n",
"| combien de cas sont vrai : |`fil.sum()` | |\n",
"| s'il y a au moins un cas vrai : |`fil.sum() > 0` | Numpy offre aussi `np.any(fil)` |\n",
"| si tous les cas sont vrai : |`fil.prod() == 1` | Numpy offre aussi `np.all(fil)` |\n",
"| si au moins un cas est faux : |`fil.prod() == 0` ||\n",
"| si tous les cas sont faux : | `fil.sum() == 0` ||"
]
},
{
"cell_type": "markdown",
"metadata": {
"lang": "fr"
},
"source": [
"### `where` pour gérer les valeurs hors filtre\n",
"\n",
"Pour conserver la forme du tableau il est nécessaire de lui indiquer ce qu'il doit faire des valeurs qui ne remplissent pas la condition. Pour cela on utilise la fonction [`where`](https://docs.scipy.org/doc/numpy/reference/generated/numpy.where.html) :"
]
},
{
"cell_type": "code",
"execution_count": 7,
"metadata": {},
"outputs": [
{
"data": {
"text/plain": [
"array([[ 0, 0, 0, 0],\n",
" [ 0, 0, 6, 7],\n",
" [ 8, 9, 10, 11]])"
]
},
"execution_count": 7,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"np.where(a > 5, a, 0) # if a > 5 then a else 0"
]
},
{
"cell_type": "markdown",
"metadata": {
"lang": "fr"
},
"source": [
"On peut faire tous les filtres imaginables qui donnent un tableau de booléan."
]
},
{
"cell_type": "code",
"execution_count": 8,
"metadata": {},
"outputs": [
{
"data": {
"text/plain": [
"array([[ 0, -1, -1, 6],\n",
" [-1, -1, 12, -1],\n",
" [-1, 18, -1, -1]])"
]
},
"execution_count": 8,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"np.where(a%3 == 0, 2*a, -1) # if a modulo 3 is 0 then 2 times a else -1"
]
},
{
"cell_type": "markdown",
"metadata": {
"lang": "fr"
},
"source": [
"### Mettre à jour un tableau avec un filtre\n",
"\n",
"Une autre facon de conserver la forme du tableau consiste à ne modifier que les valeurs qui correspondent au filtre."
]
},
{
"cell_type": "code",
"execution_count": 9,
"metadata": {},
"outputs": [
{
"data": {
"text/plain": [
"array([[ 0, 1, 2, 3],\n",
" [ 4, 5, 200, 200],\n",
" [200, 200, 200, 200]])"
]
},
"execution_count": 9,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"a = np.arange(12).reshape(3,4)\n",
"a[a > 5] = 200\n",
"a"
]
},
{
"cell_type": "markdown",
"metadata": {
"lang": "fr"
},
"source": [
"Voici comment ajouter 100 à toutes les valeurs du tableau qui sont des carrés parfait ainsi qu'à la valeur 5 :"
]
},
{
"cell_type": "code",
"execution_count": 10,
"metadata": {},
"outputs": [
{
"data": {
"text/plain": [
"array([[100, 101, 2, 3],\n",
" [104, 105, 6, 7],\n",
" [ 8, 109, 10, 11]])"
]
},
"execution_count": 10,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"a = np.arange(12).reshape(3,4)\n",
"a[(np.round(np.sqrt(a)) - np.sqrt(a) == 0) | (a==5)] += 100 # | is OR (AND is &)\n",
"a"
]
},
{
"cell_type": "markdown",
"metadata": {
"variables": {
" PreviousNext(\"np01 Numpy Introduction.ipynb\", \"np03 Manipulations.ipynb\")": " <br/><center><a href=\"np01 Numpy Introduction.ipynb\">np01 Numpy Introduction</a> ← <a href=\"http://python3.mooc.lrde.epita.fr/notebooks/Table%20des%20mati%C3%A8res.ipynb\" style=\"text-decoration:none\"> △ </a> → <a href=\"np03 Manipulations.ipynb\">np03 Manipulations</a></center><br/> "
}
},
"source": [
"{{ PreviousNext(\"np01 Numpy Introduction.ipynb\", \"np03 Manipulations.ipynb\")}}"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": []
}
]
}
|
