Analyse scientifique avec Python

Version Janvier 2021

Yannick Copin

22/02/21, 11:47
 Table des matières

1 Introduction 1
1.1 Pourquoi un module d’analyse scientifique ? . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Pourquoi Python ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3 Informations pratiques 2021 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Index et recherche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2 Installation et interpréteurs 5
2.1 Notions d’Unix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Installation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3 Interpréteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

3 Initiation à Python 11
3.1 Types de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.2 Structures de programmation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.3 Les chaînes de caractères . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.4 Objets itérables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.5 Fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.6 Bibliothèques et scripts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.7 Exceptions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.8 Classes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.9 Entrées-sorties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

4 Python avancé 27
4.1 Fonctionnalités avancées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.2 Programmation Orientée Objet avancée . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.3 Éléments passés sous silence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.4 Python 3.x . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

5 Bibliothèque standard 39
5.1 Gestion des arguments/options de la ligne de commande . . . . . . . . . . . . . . . . . . 39
5.2 Pickle : sérialisation des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.3 Batteries included . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.4 Text/Graphical User Interfaces . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

6 Bibliothèques numériques de base 43

6.1 Numpy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
6.2 Scipy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
6.3 Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

7 Bibliothèques scientifiques avancées 63

7.1 Pandas et xarray . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

i
 7.2 Astropy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
7.3 Autres bibliothèques scientifiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

8 Développer en Python 79
8.1 Le zen du Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
8.2 Développement piloté par les tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
8.3 Outils de développement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

9 Références supplémentaires 89
9.1 Documentation générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
9.2 Listes de liens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
9.3 Livres libres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
9.4 Cours en ligne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

10 Exemples 93
10.1 Mean power (fonction, argparse) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
10.2 Animal (POO) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
10.3 Cercle circonscrit (POO, argparse) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
10.4 Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104

11 Exercices 109
11.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
11.2 Manipulation de listes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
11.3 Programmation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
11.4 Manipulation de tableaux (arrays) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
11.5 Méthodes numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
11.6 Visualisation (matplotlib) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
11.7 Mise en oeuvre de l’ensemble des connaissances acquises . . . . . . . . . . . . . . . . . . . 116
11.8 Exercices en vrac . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117

12 Projets 119
12.1 Physique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
12.2 Astrophysique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
12.3 Divers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
12.4 Mini-projets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125

13 Annales d’examen 127

13.1 Simulation de chute libre (partiel nov. 2014) . . . . . . . . . . . . . . . . . . . . . . . . . 127
13.2 Examen janvier 2015 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

14 Démonstration Astropy 129

14.1 Fichiers FITS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
14.2 Tables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
14.3 Quantités et unités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
14.4 Calculs cosmologiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136

15 Pokémon Go ! (démonstration Pandas/Seaborn) 139

15.1 Lecture et préparation des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
15.2 Accès aux données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
15.3 Quelques statistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
15.4 Visualisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142

16 Méthode des rectangles 149

17 Fizz Buzz 151

18 Algorithme d’Euclide 153

19 Crible d’Ératosthène 155

ii
20 Carré magique 157

21 Suite de Syracuse 159

22 Flocon de Koch 161

23 Jeu du plus ou moins 165

24 Animaux 167

25 Particules 171

26 Jeu de la vie 181

27 Median Absolute Deviation 185

28 Distribution du pull 187

29 Quadrature 189

30 Zéro d’une fonction 191

31 Quartet d’Anscombe 193

32 Suite logistique 197

33 Ensemble de Julia 199

34 Trajectoire d’un boulet de canon 201

35 Équation d’état de l’eau 203

36 Solutions aux exercices 207

37 TD - Introduction à Numpy & Matplotlib 209

37.1 Rappels Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
37.2 Tracé de courbes (1D) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
37.3 Le quartet d’Anscombe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217

38 Potentiel de Sridhar & Touma 221

38.1 Définition du potentiel et de ses dérivées . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
38.2 Isopotentiels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
38.3 Intégration numérique des orbites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223

39 Examen final, Janvier 2015 227

39.1 Exercice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
39.2 Le problème du voyageur de commerce . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
39.3 Correction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230

Bibliographie 231

Index 233

iii
iv
 CHAPITRE 1

Introduction

Version Master de Physique Fondamentale, Université Lyon 1 du 22/02/21, 11 :47

Auteur Yannick Copin <ipnl.in2p3.fr>

1.1 Pourquoi un module d’analyse scientifique ?

— Pour générer ses données, p.ex. simulations numériques, contrôle d’expériences.
— Pour traiter ses données, i.e. supprimer les artefacts observationnels.
— Pour analyser ses données, i.e. extraire les quantités physiques pertinentes, p.ex. en ajustant un
modèle.
— Pour visualiser ses données, et appréhender leur richesse multi-dimensionnelle.
— Pour présenter ses données, p.ex. générer des figures prêtes à publier.
Ce module s’addresse donc avant tout aux futurs expérimentateurs, phénoménologistes ou théoriciens
voulant se frotter à la réalité des observations.

1.2 Pourquoi Python ?

Les principales caractéristiques du langage Python :
— syntaxe simple et lisible : langage pédagogique et facile à apprendre et à utiliser ;
— langage interprété : utilisation interactive ou script exécuté ligne à ligne, pas de processus de
compilation ;
— haut niveau : typage dynamique, gestion active de la mémoire, pour une plus grande facilité
d’emploi ;
— multi-paradigme : langage impératif et/ou orienté objet, selon les besoins et les capacités de
chacun ;
— logiciel libre et ouvert, largement répandu (multi-plateforme) et utilisé (forte communauté) ;
— riche bibliothèque standard : Batteries included ;
— riche bibliothèque externe : de nombreuses bibliothèques de qualité, dans divers domaines (y
compris scientifiques), sont déjà disponibles.
L’objectif est bien d’apprendre un seul langage de haut niveau, permettant tout aussi bien des analyses
rapides dans la vie de tous les jours – quelques lignes de code en intéractif – que des programmes les plus
complexes (projets de plus de 100 000 lignes).

1
Analyse scientifique avec Python, Version Janvier 2021

Liens :

— Getting Started
— Python Advocacy

1.3 Informations pratiques 2021

— Atelier Analyse scientifique avec Python
— Cours en ligne
— Responsable : Yannick Copin <ipnl.in2p3.fr>, Bureau 409 de l”IP2I Lyon (4 rue Fermi)

Calendrier

Toutes les séances (15h) ont lieu en distanciel via Webex.

Date TD
lun 25/01/21 9h-12h 16h-18h
mar 26 9h-12h 16h-18h
jeu 28 9h-12h 16h-18h

Participants (etu.univ-lyon1.fr)

Nom Statut Projet

hanae.belaouchi Astro Romains
chaan.champagne Astro MasterMind
quentin.dos-santos Astro Casino
audrey.ficot Astro Taquin
tiffanie.gay Astro 2048
joshua.gonnet Astro Oiseaux 2
maxence.lab Astro Oiseaux 2
ariane.le-cardinal Astro Taquin
leonard.martinez Astro 2048
thibault.menez Astro HR 2
marawan.barakat SUBA
thomas.belle SUBA HR 1
antoine.corbel SUBA HR 1
joel.dai SUBA Oiseaux 1
mathieu.flayol SUBA MasterMind
alexia.hocine SUBA Tas de sable
sukyung.kim SUBA Romains
corentin.pecontal SUBA Tas de sable
godefroy.vannoye SUBA Oiseaux 1

2 Chapitre 1. Introduction
 Analyse scientifique avec Python, Version Janvier 2021

Évaluation

L’évaluation de l’atelier se fera sur un mini-projet à développer durant la semaine (intégralement dédiée
à cette activité, y compris en dehors des heures de cours) :
— s’organiser en binôme, et choisir un sujet de Mini-projets, ou proposer le sien propre (à discuter) ;
— partager le code correspondant sous la forme d’un notebook Datalore NOM1_NOM2 (pouvant évi-
demment faire appel à des bibliothèques externes) partagé avec yncopin[AT]gmail[DOT]com,
ou bien (p.ex. pour les programmes demandant une intéraction avec l’utilisateur) d’un fichier
NOM1_NOM2.py (qui doit être fonctionnel et autonome) envoyé à la même adresse ;
— date limite de soumission des projets : jeu. 28/01, 16h
— lors de la soutenance, éxécuter et présenter oralement en 5 min les objectifs, les méthodes choisies
et les résultats.
— Planning des soutenances

1.4 Index et recherche

— genindex
— search

1.4. Index et recherche 3

Analyse scientifique avec Python, Version Janvier 2021

4 Chapitre 1. Introduction
 CHAPITRE 2

Installation et interpréteurs

Table des matières

— Notions d’Unix
— Installation
— Interpréteurs
— L’interpréteur de base python
— L’interpréteur avancé ipython
— Les interfaces jupyter
— Interface jupyter notebook
— Interface jupyter lab
— Interpréteurs en ligne

Avertissement : Le cours utilise Python 3.6+.

2.1 Notions d’Unix

Python est un langage disponible sur de très nombreuses plateformes 1 ; cependant, dans le cadre de ce
cours, nous supposerons être sous un système d’exploitation de la famille Unix (p.ex. Linux, Mac OS X).
Les concepts suivants sont supposés connus :
— ligne de commande : éxécutables et options ;
— arborescence : chemin relatif ([./]...) et absolu (/...), navigation (cd) ;
— gestion des fichiers (ls, rm, mv) et répertoires (mkdir) ;
— gestion des éxécutables : $PATH, chmod +x ;
— gestion des processus : &, Ctrl-c, Ctrl-z + bg ;
— variables d’environnement : export, .bashrc.
1. Y compris maintenant sur des calculettes!

5
Analyse scientifique avec Python, Version Janvier 2021

Liens :

— Quelques notions et commandes d’UNIX

— Introduction to Unix Study Guide

2.2 Installation
Ce cours repose essentiellement sur les outils suivants :
— Python 3.6+ (inclus l’interpréteur de base et la bibliothèque standard) ;
— les bibliothèques scientifiques Numpy et Scipy ;
— la bibliothèque graphique Matplotlib ;
— un interpréteur interactif évolué, p.ex. ipython ou jupyter ;
— un éditeur de texte évolué, p.ex. emacs, vi, gedit ou Atom.
Si vous souhaitez utiliser votre ordinateur personnel, ces logiciels peuvent être installés indépendamment,
sous Linux, Windows ou MacOS. Il existe également des distributions python « clés en main », p.ex.
Conda (multi-plateforme).

Installations locales

Si vous avez le contrôle entier de votre ordinateur, il peut être préférable d’utiliser le gestionnaire de
paquets du système (p.ex. synaptic sur Ubuntu), avec le risque d’installer des versions un peu anciennes.
Même si vous travaillez sur un ordinateur public (p.ex. en salle Ariane) , il est relativement aisé d’ins-
taller sous votre compte les programmes ou librairies Python (p.ex. ipython) manquantes à l’aide du
gestionnaire d’installation pip.
— Vérifier la disponibilité du code sous PYthon Package Index (plus de 270 000 projets !)
— Installer p.ex. ipython (mode single user) :
pip3 install --user ipython

— Compléter votre ~/.bashrc :

export PATH=$PATH:$HOME/.local/bin/
export PYTHONPATH=$HOME/.local/lib/python3.6/site-packages/

2.3 Interpréteurs

2.3.1 L’interpréteur de base python

L’interpréteur du langage Python s’appelle python (ou python3 selon les installations) ; c’est toujours
celui que l’on utilisera en mode non-intéractif pour exécuter (interpréter) un « script », c.-à-d. un ensemble
de commandes regroupées dans un fichier texte (généralement avec une extension .py), p.ex. :
$ python3 code.py

Le python peut également faire office d’interpréteur interactif de commandes, mais avec peu de fonc-
tionnalités :
$ python3
Python 3.6.11 (default, Jun 29 2020, 05:15:03)
[GCC 5.4.0 20160609] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>>

— Ctrl-d pour sortir ;

— help(commande ) pour obtenir l’aide d’une commande ;
— a priori, pas d’historique des commandes ni de complétion automatique.

6 Chapitre 2. Installation et interpréteurs

 Analyse scientifique avec Python, Version Janvier 2021

Liens :

— documentation interpréteur de base

Note : Je ne parle pas ici d”Integrated Development Environment, surcouche logicielle à l’interpréteur
de base (p.ex. spyder, pyCharm, etc.).

2.3.2 L’interpréteur avancé ipython

Pour une utilisation intéractive avancée (historique, complétion automatique des commandes, introspec-
tion et aide en ligne, interface système, etc.) dans un terminal, il est préférable d’utiliser l’interpréteur
évolué ipython :

$ ipython
Python 3.6.11 (default, Jun 29 2020, 05:15:03)
Type 'copyright', 'credits' or 'license' for more information
IPython 7.16.1 -- An enhanced Interactive Python. Type '?' for help.

In [1]:

— Ctrl-d pour sortir ;

— Tab pour la complétion automatique ;
— Haut et Bas pour le rappel des commandes ;
— %quickref pour les commandes spécifiques à ipython, notamment object? pour une aide sur un
objet, object?? pour une aide plus complète (au niveau source) ;
— %magic pour la liste des commandes magiques, dont
— %run mon_script.py pour éxecuter un script dans l’interpréteur,
— %debug pour lancer le mode débogage intéractif post-mortem,
— %cpaste pour coller et éxecuter un code préformaté.

Liens :

— Tutorial
— IPython Tips & Tricks

2.3.3 Les interfaces jupyter

Issu du développement de ipython, jupyter découple strictement le kernel 2 (le backend), en charge de
l’interprétation et de l’exécution des commandes, de l’interface (le frontend), en charge de l’interaction
avec l’utilisateur et le reste du monde.

Interface jupyter notebook

L’interface jupyter notebook introduit la notion de notebook (fichier JSON d’extension .ipynb), accessible
via une application web (utilisable depuis le navigateur) incorporant lignes de code, résultats, textes
formatés, équations, figures, etc., et fournissant des outils d’édition et de conversion (HTML, LaTeX,
présentation, etc.) et une documentation en ligne :

$ jupyter notebook

Cette commande initialise un kernel en arrière plan (qui peut servir plusieurs notebooks), et ouvre le
notebook dashboard, à partir duquel vous pouvez créer de nouveaux notebooks ou en ouvrir d’anciens.
2. Pas nécessairement Python, d’où le nom de jupyter pour Julia-Python-R, les trois langages initialement supportés.
Il en existe maintenant plusieurs dizaines.

2.3. Interpréteurs 7
Analyse scientifique avec Python, Version Janvier 2021

Fig. 2.1 – Copie d’écran du notebook pokemon.ipynb.

Liens

— nbviewer, visualiseur en ligne de notebook (non interactif, voir ci-dessous pour des interpréteurs
en ligne) ;
— Python Notebook Viewer, une extension firefox de visualisation de notebook ;
— A gallery of interesting Jupyter Notebooks ;
— Unofficial Jupyter Notebook Extensions.

Interface jupyter lab

L’interface JupyterLab permet une expérience encore plus intégrée, incluant des outils de développement
(notebook, console ipython, explorateur de fichiers, terminal, etc.) :

$ jupyter lab

Fig. 2.2 – Copie d’écran d’un Jupyter Lab, incluant le notebook canon.ipynb.

Note : L’univers JupyterLab est en développement très actif, et peut être complété de nombreuses
extensions (incompatibles avec les extensions notebook).

8 Chapitre 2. Installation et interpréteurs

 Analyse scientifique avec Python, Version Janvier 2021

2.3.4 Interpréteurs en ligne

Il existe de nombreux services en ligne (généralement sur un modèle freemium) offrant des interpréteurs
de notebook dans le cloud. Cela permet de développer à distance sans se soucier des installations et mises
à jour, et de travailler interactivement et de collaborer sur des notebooks partagés.

Comparatif

— Six easy ways to run your Jupyter Notebook in the cloud

MyBinder

Le lien suivant permet d’ouvrir ce cours avec une interface de type jupyter via le service MyBinder :

Datalore

Pour le cours en distanciel, nous utiliserons le service datalore, qui permet une collaboration en temps
réel.
— Créer un compte sur https://datalore.io/,
— Suivre le tutoriel,
— Créer un notebook,
— Le partager avec un collègue (p.ex. yncopin[AT]gmail[DOT]com) pour tester la collaboration en
temps réel,
— Le publier, pour tester les commentaires en ligne.

2.3. Interpréteurs 9
Analyse scientifique avec Python, Version Janvier 2021

10 Chapitre 2. Installation et interpréteurs

 CHAPITRE 3

Initiation à Python

Table des matières

— Types de base
— Structures de programmation
— Les chaînes de caractères
— Indexation
— Sous-liste ( slice)
— Méthodes
— Formatage
— Objets itérables
— Fonctions
— Bibliothèques et scripts
— Bibliothèques externes
— Bibliothèques personnelles et scripts
— Exceptions
— Classes
— Entrées-sorties
— Intéractif
— Fichiers texte

3.1 Types de base

— None (rien)
— Chaînes de caractères : str
— Entre (simples ou triples) apostrophes ' ou guillemets " : 'Calvin', "Calvin'n'Hobbes",
'''Deux\nlignes''', """'Pourquoi?' demanda-t-il."""
— Conversion : str(3.2)
— Types numériques :
— Booléens bool (vrai/faux) : True, False, bool(3)
— Entiers int (pas de valeur limite explicite, correspond au moins au long du C) : -2, int(2.1),
int("4")
— Réels float (entre ±1.7e±308, correspond au double du C) : 2., 3.5e-6, float(3)
— Complexes complex : 1+2j (sans espace), 5.1j, complex(-3.14), complex('j')

11
Analyse scientifique avec Python, Version Janvier 2021

>>> 5 / 2 # Division réelle par défaut dans Python 3.x

2.5
>>> 6 // 2.5 # Division euclidienne explicite
2.0
>>> 6 % 2.5 # Reste de la division euclidienne
1.0
>>> (1 + 2j)**-0.5 # Puissance entière, réelle ou complexe
(0.5688644810057831-0.3515775842541429j)

— Objets itérables :
— Listes list : ['a', 3, [1, 2], 'a']
— Listes immuables tuple : (2, 3.1, 'a', []) (selon les conditions d’utilisation, les paren-
thèses ne sont pas toujours nécessaires)
— Listes à clés dict : {'a':1, 'b':[1, 2], 3:'c'}
— Ensembles non ordonnés d’éléments uniques set : {1, 2, 3, 2}

>>> l = ['a', True] # Définition d'une liste

>>> x, y = 1, 2.5 # Affectations multiples via tuples (les parenthèses ne sont pas␣
˓→nécessaires)

>>> list(range(5)) # Liste de 5 entiers commençant par 0

[0, 1, 2, 3, 4]
>>> l + [x, y] # Concaténation de listes
['a', True, 1, 2.5]
>>> {2, 1, 3} | {1, 2, 'a'} # Union d'ensembles (non-ordonnés)
{'a', 1, 2, 3}

Attention : en Python 3, range() n’est plus un constructeur de liste, mais un itérateur, qui
doit être converti en liste explicitement (équivalent à xrange de Python 2) :
>>> range(3) # Itérateur
range(0, 3)
>>> list(range(3)) # Liste
[0, 1, 2]

— type(obj ) retourne le type de l’objet, isinstance(obj , type ) teste le type de l’objet.

>>> type(l)
<type 'list'>
>>> isinstance(l, tuple)
False

Liens :

— The Floating Point Guide

— What Every Computer Scientist Should Know About Floating-Point Arithmetic

3.2 Structures de programmation

— Les blocs sont définis par l”indentation (en général par pas de quatre espaces) 1 .

Avertissement : Évitez autant que possible les caractères de tabulation, source de confusion.
Configurez votre éditeur de texte pour qu’il n’utilise que des espaces.

— Une instruction par ligne en général (ou instructions séparées par ;).
— Les commentaires commencent par #, et s’étendent jusqu’à la fin de la ligne.
1. ou from __future__ import braces :-)

12 Chapitre 3. Initiation à Python

 Analyse scientifique avec Python, Version Janvier 2021

— Expression booléenne : une condition est une expression s’évaluant à True ou False :
— False : test logique faux (p.ex. 3 > 4), valeur nulle, chaîne vide (''), liste vide ([]), etc.
— True : test logique vrai (p.ex. 2 in [1, 2, 3]), toute valeur ou objet non nul (et donc s’éva-
luant par défaut à True sauf exception)
— Tests logiques : ==, !=, >, >=, in, etc.

Attention : Ne pas confondre « = » (affectation d’une variable) et « == » (test logique

d’égalité).

— Opérateurs logiques : and, or, not

>>> x = 3
>>> not ((x <= 0) or (x > 5))
True
>>> 0 < x <= 5 # Conditions cha^ınées
True

— Opérateur ternaire (PEP 308) : value if condition else altvalue , p.ex.

>>> y = x**0.5 if (x > 0) else 0 # Retourne sqrt(max(x, 0))

— Expression conditionnelle : if condition : ... [elif condition2 : ...] [else: ...],

p.ex. :

if (i > 0): # Condition principale

print("positif")
elif (i < 0): # Condition secondaire (si nécessaire)
print("négatif")
else: # Cas final (si nécessaire)
print("nul")

— Boucle for : for element in iterable :, s’éxecute sur chacun des éléments d’un objet itérable :

>>> for val in ['un', (2, 3), 4]: # Itération sur une liste de 3 éléments
... print(val)
un
(2, 3)
4

— continue : interrompt l’itération courante, et reprend la boucle à l’itération suivante,

— break : interrompt complètement la boucle.

Note : la logique des boucles Python est assez différente des langages C[++]/fortran, pour
lesquels l’itération porte sur les indices plutôt que sur les éléments eux-mêmes.

— Boucle while : while condition : se répéte tant que la condition est vraie, ou jusqu’à une sortie
explicite avec break.

Attention : aux boucles infinies, dont la condition d’exécution reste invariablement vraie
(typiquement un critère de convergence qui n’est jamais atteint). On peut toujours s’en protéger
en testant en outre sur un nombre maximal (raisonnable) d’itérations :
niter = 0
while (error > 1e-6) and (niter < 100):
error = ... # A priori, error va décro^ıtre, et la boucle s'interrompre...
niter += 1 # ... mais on n'est jamais assez prudent!
if niter == 100: # Ne pas oublier de tester l'absence de convergence!!!
print("Erreur de convergence!")

Note : Il n’y a pas en Python d’équivalent natif à l’instruction switch du C, ni à la structure do ...

3.2. Structures de programmation 13

Analyse scientifique avec Python, Version Janvier 2021

while condition ; cette dernière peut être remplacée par :

while True:
# calcul de la condition d'arr^et
if condition:
break

Exercices :

Intégration : méthode des rectangles * , Fizz Buzz * , PGCD : algorithme d’Euclide **

3.3 Les chaînes de caractères

3.3.1 Indexation
Les chaînes de caractères sont des objets itérables – c.-à-d. constitués d’éléments (ici les caractères)
sur lesquels il est possible de « boucler » (p.ex. avec for) – et immuables – c.-à-d. dont les éléments
individuels ne peuvent pas être modifiés intrinsèquement.

Note : Comme en C[++], l’indexation en Python commence à 0 : le 1er élément d’une liste est l’élément
n°0, le 2e est le n°1, etc. Les n éléments d’une liste sont donc indexés de 0 à n-1.

>>> alpha = 'abcdefghijklmnopqrstuvwxyz'

>>> len(alpha)
26
>>> alpha[0] # 1er élément (l'indexation commence à 0)
'a'
>>> alpha[-1] # = alpha[26-1=25], dernier élément (-2: avant-dernier, etc.)
'z'

3.3.2 Sous-liste (slice)

Des portions d’une chaîne peuvent être extraites en utilisant des slice (« tranches »), de notation
générique [start=0] :[stop=len] [:step=1] . P.ex.

>>> alpha[3:7] # De l'élément n°3 (inclus) au n°7 (exclu), soit 7-3=4 éléments
'defg'
>>> alpha[:3] # Du n°0 (défaut) au n°3 (exclu), soit 3 éléments
'abc'
>>> alpha[-3:] # Du n°26-3=23 (inclus) au dernier inclus (défaut)
'xyz'
>>> alpha[3:9:2] # Du n°3 (inclus) au n°9 (exclu), tous les 2 éléments
'dfh'
>>> alpha[::5] # Du 1er au dernier élément (défauts), tous les 5 éléments
'afkpuz'

14 Chapitre 3. Initiation à Python

 Analyse scientifique avec Python, Version Janvier 2021

3.3.3 Méthodes
Comme la plupart des objets en Python, les chaînes de caractères disposent de nombreuses fonctionnalités
– appelées « méthodes » en POO (Programmation Orientée Objet) – facilitant leur manipulation :
>>> enfant, peluche = "Calvin", 'Hobbes' # Affectations mutiples
>>> titre = enfant + ' et ' + peluche; titre # +: Concaténation de cha^ınes
'Calvin et Hobbes'
>>> titre.replace('et', '&') # Remplacement de sous-cha^ınes (→ nouvelle cha^ıne)
'Calvin & Hobbes'
>>> titre # titre est immuable et reste inchangé
'Calvin et Hobbes'
>>> ' & '.join(titre.split(' et ')) # Découpage (split) et jonction (join)
'Calvin & Hobbes'
>>> 'Hobbes' in titre # in: Test d'inclusion
True
>>> titre.find("Hobbes") # str.find: Recherche de sous-cha^ıne
10
>>> titre.center(30, '-')
'-------Calvin et Hobbes-------'
>>> dir(str) # Liste toutes les méthodes des cha^ınes
['__add__', '__class__', '__contains__', '__delattr__', '__dir__', '__doc__', '__eq__', '__
˓→format__', '__ge__', '__getattribute__', '__getitem__', '__getnewargs__', '__gt__', '__hash__

˓→', '__init__', '__iter__', '__le__', '__len__', '__lt__', '__mod__', '__mul__', '__ne__', '__

˓→new__', '__reduce__', '__reduce_ex__', '__repr__', '__rmod__', '__rmul__', '__setattr__', '__

˓→sizeof__', '__str__', '__subclasshook__', 'capitalize', 'casefold', 'center', 'count',

˓→'encode', 'endswith', 'expandtabs', 'find', 'format', 'format_map', 'index', 'isalnum',

˓→'isalpha', 'isdecimal', 'isdigit', 'isidentifier', 'islower', 'isnumeric', 'isprintable',

˓→'isspace', 'istitle', 'isupper', 'join', 'ljust', 'lower', 'lstrip', 'maketrans', 'partition

˓→', 'replace', 'rfind', 'rindex', 'rjust', 'rpartition', 'rsplit', 'rstrip', 'split',

˓→'splitlines', 'startswith', 'strip', 'swapcase', 'title', 'translate', 'upper', 'zfill']

3.3.4 Formatage
Le système de formatage permet un contrôle précis de la conversion de variables en chaînes de caractères.
Après quelques tergiversations historiques 2 , le système de choix est dorénavant (Python 3.6+) celui de
la chaîne formatée (f-string), qui interprète directement les éléments du type "{var[:fmt]}" dans une
chaîne :
>>> nom, age = 'calvin', 6
>>> f"{ nom} a { age} ans." # Interpolation simple
'calvin a 6 ans.'
>>> f"L'année prochaine, { nom.capitalize()} aura { age+1} ans" # Interprétation
"L'année prochaine, Calvin aura 7 ans."

Le formatage des chaînes hérite de la grammaire standard du C :

>>> pi = 3.1415926535897931
>>> f"{ pi: f} , { pi: +06.2f} , { pi*1e9: f} , { pi*1e9: .3g} " # Options de formatage
'3.141593, +03.14, 3141592653.589793, 3.14e+09'

print() affiche à l’écran (plus spécifiquement la sortie standard) la conversion d’une variable en chaîne
de caractères :
>>> print("Calvin and Hobbes\nScientific progress goes 'boink'!")
Calvin and Hobbes
Scientific progress goes 'boink'!
>>> print(f"{ 3: 2d} fois { 4: 2d} font { 3*4: 2d} ") # Formatage et affichage
3 fois 4 font 12

2. Utilisation native du % avec la grammaire C printf, et plus récemment de la méthode de formatage des chaînes
str.format(); ces deux options sont encore valables et largement utilisées.

3.3. Les chaînes de caractères 15

Analyse scientifique avec Python, Version Janvier 2021

Exercice :

Tables de multiplication *

3.4 Objets itérables

Les chaînes de caractères, listes, tuples et dictionnaires sont les objets itérables de base en Python. Les
listes et dictionnaires sont modifiables (« mutables ») – leurs éléments constitutifs peuvent être changés
à la volée – tandis que chaînes de caractères et les tuples sont immuables.
— Accès indexé : conforme à celui des chaînes de caractères

>>> l = list(range(1, 10, 2)); l # De 1 (inclus) à 10 (exclu) par pas de 2

[1, 3, 5, 7, 9]
>>> len(l) # Nb d'éléments dans la liste (i varie de 0 à 4)
5
>>> l[0], l[-2] # 1er et avant-dernier élément (l'indexation commence à 0)
(1, 7)
>>> l[5] # Erreur: indice hors-bornes
IndexError: list index out of range
>>> d = dict(a=1, b=2) # Création du dictionnaire {'a':1, 'b':2}
>>> d['a'] # Accès à une entrée via sa clé
1
>>> d['c'] # Erreur: clé inexistante!
KeyError: 'c'
>>> d['c'] = 3; d # Ajout d'une clé et sa valeur
{'a': 1, 'c': 3, 'b': 2}
>>> # Noter qu'un dictionnaire N'est PAS ordonné!

— Sous-listes (slices) :

>>> l[1:-1] # Du 2e ('1') *inclus* au dernier ('-1') *exclu*

[3, 5, 7]
>>> l[1:-1:2] # Idem, tous les 2 éléments
[3, 7]
>>> l[::2] # Tous les 2 éléments (*start=0* et *stop=len* par défaut)
[1, 5, 9]

— Modification d’éléments d’une liste (chaînes et tuples sont immuables) :

>>> l[0] = 'a'; l # Remplacement du 1er élément

['a', 3, 5, 7, 9]
>>> l[1::2] = ['x', 'y']; l # Remplacement d'éléments par *slices*
['a', 'x', 5, 'y', 9]
>>> l + [1, 2]; l # Concaténation (l reste inchangé)
['a', 'x', 5, 'y', 9, 1, 2]
['a', 'x', 5, 'y', 9]
>>> l += [1, 2]; l # Concaténation sur place (l est modifié)
['a', 'x', 5, 'y', 9, 1, 2]
>>> l.append('z'); l # Ajout d'un élément en fin de liste
['a', 'x', 5, 'y', 9, 1, 2, 'z']
>>> l.extend([-1, -2]); l # Extension par une liste
['a', 'x', 5, 'y', 9, 1, 2, 'z', -1, -2]
>>> del l[-6:]; l # Efface les 6 derniers éléments de la liste
['a', 'x', 5, 'y']

Attention : à la modification des objets mutables :

>>> l = [0, 1, 2]
>>> m = l; m # m est un *alias* de la liste l: c'est le m^eme objet
[0, 1, 2]
>>> id(l); id(m); m is l

16 Chapitre 3. Initiation à Python

 Analyse scientifique avec Python, Version Janvier 2021

171573452 # id({obj}) retourne le n° d'identification en mémoire

171573452 # m et l ont le m^eme id:
True # ils correspondent donc bien au m^eme objet en mémoire
>>> l[0] = 'a'; m # puisque l a été modifiée, il en est de m^eme de m
['a', 1, 2]
>>> m = l[:] # copie de tous les éléments de l dans une *nouvelle* liste m␣
˓→(clonage)

>>> id(l); id(m); m is l

171573452
171161228 # m a un id différent de l: il s'agit de 2 objets distincts
False # (contenant éventuellement la m^eme chose!)
>>> del l[-1]; m # les éléments de m n'ont pas été modifiés
['a', 1, 2]

— Liste en compréhension : elle permet la construction d’une liste à la volée

>>> [ i**2 for i in range(5) ] # Carré de tous les éléments de [0, ..., 4]
[0, 1, 4, 9, 16]
>>> [ 2*i for i in range(10) if (i%3 != 0) ] # Compréhension conditionnelle
[2, 4, 8, 10, 14, 16]
>>> [ 10*i+j for i in range(3) for j in range(4) ] # Double compréhension
[0, 1, 2, 3, 10, 11, 12, 13, 20, 21, 22, 23]
>>> [ [ 10*i+j for i in range(3) ] for j in range(4) ] # Compréhensions imbriquées
[[0, 10, 20], [1, 11, 21], [2, 12, 22], [3, 13, 23]]
>>> { i: i**2 for i in range(1, 5) } # Dictionnaire en compréhension
{1: 1, 2: 4, 3: 9, 4: 16}

— Utilitaires sur les itérables :

>>> humans = ['Calvin', 'Wallace', 'Boule']

>>> for i in range(len(humans)): # Boucle sur les indices de humans
... print(i, humans[i]) # Accès explicite, pas pythonique :-(
0 Calvin
1 Wallace
2 Boule
>>> for i, name in enumerate(humans): # Boucle sur (indice, valeur) de humans
... print(i, name) # Pythonique :-D
0 Calvin
1 Wallace
2 Boule
>>> animals = ['Hobbes', 'Gromit', 'Bill']
>>> for boy, dog in zip(humans, animals): # Boucle simultanée sur 2 listes (ou +)
... print(boy, 'et', dog)
Calvin et Hobbes
Wallace et Gromit
Boule et Bill
>>> sorted(zip(humans, animals)) # Tri, ici sur le 1er élément de chaque tuple de la␣
˓→liste

[('Boule', 'Bill'), ('Calvin', 'Hobbes'), ('Wallace', 'Gromit')]

3.4. Objets itérables 17

 Analyse scientifique avec Python, Version Janvier 2021

Exercices :

Crible d’Ératosthène * , Carré magique **

3.5 Fonctions
Une fonction est un regroupement d’instructions impératives – assignations, branchements, boucles, etc.
– s’appliquant sur des arguments d’entrée. C’est le concept central de la programmation impérative.
def permet de définir une fonction : def fonction (arg1 , arg2 , ..., option1 =valeur1 ,
option2 =valeur2 , ...):. Les « args » sont des arguments nécessaires (c.-à-d. obligatoires), tandis
que les « kwargs » – arguments de type option =valeur – sont optionnels, puisqu’ils possèdent une
valeur par défaut. Si la fonction doit retourner une valeur, celle-ci est spécifiée par le mot-clé return.

Exemples :

1 def temp_f2c(tf):
2 """
3 Convertit une température en d° Fahrenheit `tf` en d° Celsius.
4

5 Exemple:
6 >>> temp_f2c(104)
7 40.0
8 """
9

10 tc = (tf - 32.)/1.8 # Fahrenheit → Celsius

11

12 return tc

Dans la définition d’une fonction, la première chaîne de charactères (appelé docstring) servira de docu-
mentation pour la fonction, accessible de l’interpréteur via p.ex. help(temp_f2c), ou temp_f2c? sous
ipython. Elle se doit d’être tout à la fois pertinente, concise et complète. Elle peut également inclure
des exemples d’utilisation (doctests, voir Développement piloté par les tests).

1 def mean_power(alist, power=1):

2 r"""
3 Retourne la racine `power` de la moyenne des éléments de `alist` à
4 la puissance `power`:
5

6 .. math:: \mu = (\frac{1}{N}\sum_{i=0}^{N-1} x_i^p)^{1/p}

7

8 `power=1` correspond à la moyenne arithmétique, `power=2` au *Root

9 Mean Squared*, etc.
10

11 Exemples:
12 >>> mean_power([1, 2, 3])
13 2.0
14 >>> mean_power([1, 2, 3], power=2)
15 2.160246899469287
16 """
17

18 # *mean* = (somme valeurs**power / nb valeurs)**(1/power)

19 mean = (sum( val ** power for val in alist ) / len(alist)) ** (1 / power)
20

21 return mean

Il faut noter plusieurs choses importantes :

— Python est un langage à typage dynamique, p.ex., le type des arguments d’une fonction n’est pas
fixé a priori. Dans l’exemple précédent, alist peut être une list, un tuple ou tout autre itérable

18 Chapitre 3. Initiation à Python

 Analyse scientifique avec Python, Version Janvier 2021

contenant des éléments pour lesquels les opérations effectuées – somme, exponentiation, division
par un entier – ont été préalablement définies (p.ex. des entiers, des complexes, des matrices,
etc.) : c’est ce que l’on appelle le duck-typing 3 , favorisant le polymorphisme des fonctions ;
— le typage est fort, c.-à-d. que le type d’une variable ne peut pas changer à la volée. Ainsi, "abra"
+ "cadabra" a un sens (concaténation de chaînes), mais pas 1 + "2" ou 3 + "cochons" (entier
+ chaîne) ;
— la définition d’une fonction se fait dans un « espace parallèle » où les variables ont une portée
(scope) locale 4 . Ainsi, la variable s définie dans la fonction mean_power n’interfère pas avec le
« monde extérieur » ; inversement, la définition de mean_power ne connaît a priori rien d’autre
que les variables explicitement définies dans la liste des arguments ou localement.
Pour les noms de variables, fonctions, etc. utilisez de préférence des caractères purement ASCII 7
(a-zA-Z0-9_) ; de manière générale, favorisez plutôt la langue anglaise (variables, commentaires, affi-
chages).

Exercice :

Suite de Syracuse (fonction) *

3.6 Bibliothèques et scripts

3.6.1 Bibliothèques externes

Une bibliothèque (ou module) est un code fournissant des fonctionnalités supplémentaires – p.ex. des
fonctions prédéfinies – à Python. Ainsi, le module math définit les fonctions et constantes mathématiques
usuelles (sqrt(), pi, etc.)
Une bibliothèque est « importée » avec la commande import module . Les fonctionnalités supplémen-
taires sont alors accessibles dans l”espace de noms module via module .fonction :

>>> sqrt(2) # sqrt n'est pas une fonction standard de python

NameError: name 'sqrt' is not defined
>>> import math # Importe tout le module 'math'
>>> dir(math) # Liste les fonctionnalités de 'math'
['__doc__', '__name__', '__package__', 'acos', 'acosh', 'asin',
'asinh', 'atan', 'atan2', 'atanh', 'ceil', 'copysign', 'cos', 'cosh',
'degrees', 'e', 'exp', 'fabs', 'factorial', 'floor', 'fmod', 'frexp',
'fsum', 'hypot', 'isinf', 'isnan', 'ldexp', 'log', 'log10', 'log1p',
'modf', 'pi', 'pow', 'radians', 'sin', 'sinh', 'sqrt', 'tan', 'tanh',
'trunc']
>>> math.sqrt(math.pi) # Les fonctionnalités sont disponibles sous 'math'
1.7724538509055159
>>> import math as M # Importe 'math' dans l'espace 'M'
>>> M.sqrt(M.pi)
1.7724538509055159
>>> from math import sqrt, pi # Importe uniquement 'sqrt' et 'pi' dans l'espace courant
>>> sqrt(pi)
1.7724538509055159

Avertissement : Il est possible d’importer toutes les fonctionnalités d’une bibliothèque dans l’espace
de noms courant :

3. If it looks like a duck and quacks like a duck, it must be a duck.

4. La notion de « portée » est plus complexe, je simplifie. . .
7. En fait, Python 3 gère nativement les caractères Unicode:
>>> α, β = 3, 4
>>> print("α2 + β2 =", α**2 + β**2)
α2 + β2 = 25

3.6. Bibliothèques et scripts 19

Analyse scientifique avec Python, Version Janvier 2021

>>> from math import * # Argh! Pas pythonique :-(

>>> sqrt(pi)
1.7724538509055159

Cette pratique est cependant fortement déconseillée du fait des confusions dans les espaces de noms
qu’elle peut entraîner :
>>> from cmath import *
>>> sqrt(-1) # Quel sqrt: le réel ou le complexe?

Nous verrons par la suite quelques exemples de modules de la Bibliothèque standard, ainsi que des
Bibliothèques numériques de base orientées analyse numérique.

Exercice :

Flocon de Koch (programmation récursive) ***

3.6.2 Bibliothèques personnelles et scripts

Vous pouvez définir vos propres bibliothèques en regroupant les fonctionnalités au sein d’un même fichier
monfichier .py.
— Si ce fichier est importé (p.ex. import monfichier), il agira comme une bibliothèque.
— Si ce fichier est exécuté – p.ex. python ./monfichier.py – il agira comme un script.

Attention : Toutes les instructions d’un module qui ne sont pas encapsulées dans le __main__ (voir
plus bas) sont interprétées et exécutées lors de l”import du module. Elles doivent donc en général se
limiter à la définition de variables, de fonctions et de classes (en particulier, éviter les affichages ou
les calculs longs).

Un code Python peut donc être :

— un module – s’il n’inclut que des définitions mais pas d’instruction exécutable en dehors d’un
éventuel __main__ 5 ;
— un exécutable – s’il inclut un __main__ ou des instructions exécutables ;
— ou les deux à la fois.

Exemple :

Le code mean_power.py peut être importé comme une bibliothèque (p.ex. import mean_power) dans un
autre code Python, ou bien être exécuté depuis la ligne de commande (p.ex. python mean_power.py),
auquel cas la partie __main__ sera exécutée.
— #! (Hash-bang) : la première ligne d’un script défini l’interpréteur à utiliser 6 :

#!/usr/bin/env python3

— """doc""" : la chaîne de documentation de la bibliothèque (docstring, PEP 257), qui sera utilisée
comme aide en ligne du module (help(mean_power)), doit être la 1re instruction du script.
— if __name__ == '__main__': permet de séparer le __main__ (c.-à-d. le corps du programme, à
exécuter lors d’une utilisation en script) des définitions de fonctions et classes, permettant une
utilisation en module.
5. Parfois prononcé dunder main (dunder désigne le double _).
6. Il s’agit d’une fonctionnalité des shells d’Unix, pas spécifique à Python.

20 Chapitre 3. Initiation à Python

 Analyse scientifique avec Python, Version Janvier 2021

3.7 Exceptions

Lorsqu’il rencontre une erreur dans l’exécution d’une instruction, l’interpréteur Python génère (raise)
une erreur (Exception), de nature différente selon la nature de l’erreur : KeyError, ValueError,
AttributeError, NameError, TypeError, IOError, NotImplementedError, KeyboardInterrupt, etc.
La levée d’une erreur n’est cependant pas nécessairement fatale, puisque Python dispose d’un méca-
nisme de gestion des erreurs.
Il est d’usage en Python d’utiliser la philosophie EAFP (Easier to Ask for Forgiveness than Permission) 8 :
plutôt que de tester explicitement toutes les conditions de validité d’une instruction, on « tente sa chance »
d’abord, quitte à gérer les erreurs a posteriori. Cette gestion des exceptions se fait par la construction
try ... except.

1 def lireEntier():
2 while True:
3 chaine = input('Entrez un entier: ') # Lecture du clavier → str
4 try:
5 # La conversion en type entier génère `ValueError` si nécessaire
6 return int(chaine)
7 except ValueError: # Gestion de l'exception ValueError
8 print(f"{ chaine!r} n'est pas un entier")

>>> lireEntier()
Entrez un entier: toto
'toto' n'est pas un entier
Entrez un entier: 3,4
'3,4' n'est pas un entier
Entrez un entier: 4
4

Dans l’élaboration d’un programme, gérez explicitement les erreurs que vous auriez pu tester a priori et
pour lesquels il existe une solution de repli, et laissez passer les autres (ce qui provoquera éventuellement
l’interruption du programme).

Danger : Évitez à tout prix les except nus, c.-à-d. ne spécifiant pas la ou les exceptions à gérer, car
ils intercepteraient alors toutes les exceptions, y compris celles que vous n’aviez pas prévues ! Trouvez
l’erreur dans le code suivant :
y = 2
try:
x = z # Copie y dans x
print("Tout va bien")
except:
print("Rien ne va plus")

Vos procédures doivent également générer des exceptions (documentées) – avec l’instruction raise
Exception() – si elles ne peuvent conclure leur action, à charge pour la procédure appelante de les
gérer si besoin :

1 def diff_sqr(x, y):

2 """
3 Return x**2 - y**2 for x >= y, raise ValueError otherwise.
4

5 Exemples:
6 >>> diff_sqr(5, 3)
7 16
8 >>> diff_sqr(3, 5)
(suite sur la page suivante)

8. Par opposition au LBYL (Look Before You Leap) du C/C++, basé sur une série exhaustive de tests a priori.

3.7. Exceptions 21
 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

9 Traceback (most recent call last):
10 ...
11 ValueError: x=3 < y=5
12 """
13

14 if x < y:
15 raise ValueError(f"x={ x} < y={ y} ")
16

17 return x**2 - y**2

Avant de se lancer dans un calcul long et complexe, on peut vouloir tester la validité de certaines
hypothèses fondamentales, soit par une structure if ... raise, ou plus facilement à l’aide d”assert
(qui, si l’hypothèse n’est pas vérifiée, génère une AssertionError) :

1 def diff_sqr(x, y):

2 """
3 Returns x**2 - y**2 for x >= y, AssertionError otherwise.
4 """
5

6 assert x >= y, f"x={ x} < y={ y} " # Test et msg d'erreur

7 return x**2 - y**2

Note : La règle générale à retenir concernant la gestion des erreurs :

Fail early, fail often, fail better !

Exercice :

Jeu du plus ou moins (exceptions) *

3.8 Classes
Un objet est une entité de programmation, disposant de son propre état interne et de fonctionnalités
associées : c’est le concept central de la Programmation Orientée Objet (POO).
Au concept d’objet sont liées les notions de :
— Classe : il s’agit d’un modèle d’objet, dans lequel sont définis ses propriétés usuelles. P.ex. la
classe Animal peut représenter un animal caractérisé par sa masse, et disposant de fonctionnalités
propres, p.ex. grossit() ;
— Instanciation : c’est le fait générer un objet concret (une instance) à partir d’un modèle (une
classe). P.ex. vache = Animal(500.) crée une instance vache à partir de la classe Animal et d’une
masse (float) :
— Attributs : variables internes décrivant l’état de l’objet. P.ex., vache.masse donne la masse de
l”Animal vache ;
— Méthodes : fonctions internes, s’appliquant en premier lieu sur l’objet lui-même (self), décrivant
les capacités de l’objet. P.ex. vache.grossit(10) modifie la masse de l”Animal vache ;

Attention : Toutes les méthodes d’une classe doivent au moins prendre self – représentant
l’instance même de l’objet – comme premier argument.

— Surcharge d’opérateurs : cela permet de redéfinir les opérateurs et fonctions usuels (+, abs(),
str(), etc.), pour simplifier l’écriture d’opérations sur les objets. Ainsi, on peut redéfinir les
opérateurs de comparaison (<, >=, etc.) dans la classe Animal pour que les opérations du genre
animal1 < animal2 aient un sens (p.ex. en comparant les masses).

22 Chapitre 3. Initiation à Python

 Analyse scientifique avec Python, Version Janvier 2021

— Héritage de classe : il s’agit de définir une classe à partir d’une (ou plusieurs) classe(s) pa-
rente(s). La nouvelle classe hérite des attributs et méthodes de sa (ses) parente(s), que l’on peut
alors modifier ou compléter. P.ex. la classe AnimalFeroce hérite de la classe Animal (elle partage
la notion de masse), et lui ajoute des méthodes propres à la notion d’animal féroce (p.ex. dévorer
un autre animal).

Exemple de définition de classe

1 class Animal:
2 """
3 Un animal, défini par sa masse.
4 """
5

6 def __init__(self, masse):

7 """
8 Initialisation d'un Animal, a priori vivant.
9

10 :param float masse: masse en kg (> 0)

11 :raise ValueError: masse non réelle ou négative
12 """
13

14 self.estVivant = True
15

16 self.masse = float(masse)
17 if self.masse < 0:
18 raise ValueError("La masse ne peut pas ^etre négative.")
19

20

21 def __str__(self):
22 """
23 Surcharge de la fonction `str()`.
24

25 L'affichage *informel* de l'objet dans l'interpréteur, p.ex. `print(a)`

26 sera résolu comme `a.__str__()`
27

28 :return: une cha^ıne de caractères

29 """
30

31 return f"Animal { 'vivant' if self.estVivant else 'mort'} , " \

32 f"{ self.masse: .0f} kg"
33

34

35 def meurt(self):
36 """
37 L'animal meurt.
38 """
39

40 self.estVivant = False
41

42

43 def grossit(self, masse):

44 """
45 L'animal grossit (ou maigrit) d'une certaine masse (valeur algébrique).
46

47 :param float masse: prise (>0) ou perte (<0) de masse.

48 :raise ValueError: masse non réelle.
49 """
50

51 self.masse += float(masse)

3.8. Classes 23
 Analyse scientifique avec Python, Version Janvier 2021

Exemple d’héritage de classe

1 class AnimalFeroce(Animal):
2 """
3 Un animal féroce est un animal qui peut dévorer d'autres animaux.
4

5 La classe-fille hérite des attributs et méthodes de la

6 classe-mère, mais peut les surcharger (i.e. en changer la
7 définition), ou en ajouter de nouveaux:
8

9 - la méthode `AnimalFeroce.__init__()` dérive directement de

10 `Animal.__init__()` (m^eme méthode d'initialisation);
11 - `AnimalFeroce.__str__()` surcharge `Animal.__str__()`;
12 - `AnimalFeroce.devorer()` est une nouvelle méthode propre à
13 `AnimalFeroce`.
14 """
15

16 def __str__(self):
17 """
18 Surcharge de la fonction `str()`.
19 """
20

21 return "Animal féroce " \

22 f"{ 'bien vivant' if self.estVivant else 'mais mort'} , " \
23 f"{ self.masse: .0f} kg"
24

25 def devore(self, other):

26 """
27 L'animal (self) devore un autre animal (other).
28

29 * Si other est également un animal féroce, il faut que self soit plus
30 gros que other pour le dévorer. Sinon, other se défend et self meurt.
31 * Si self dévore other, other meurt, self grossit de la masse de other
32 (jusqu'à 10% de sa propre masse) et other maigrit d'autant.
33

34 :param Animal other: animal à dévorer

35 :return: prise de masse (0 si self meurt)
36 """
37

38 if isinstance(other, AnimalFeroce) and (other.masse > self.masse):

39 # Pas de chance...
40 self.meurt()
41 prise = 0.
42 else:
43 other.meurt() # Other meurt
44 prise = min(other.masse, self.masse * 0.1)
45 self.grossit(prise) # Self grossit
46 other.grossit(-prise) # Other maigrit
47

48 return prise

1 class AnimalGentil(Animal):
2 """
3 Un animal gentil est un animal avec un petit nom.
4

5 La classe-fille hérite des attributs et méthodes de la

6 classe-mère, mais peut les surcharger (i.e. en changer la
7 définition), ou en ajouter de nouveaux:
8

9 - la méthode `AnimalGentil.__init__()` surcharge l'initialisation originale

10 `Animal.__init__()`;
11 - `AnimalGentil.__str__()` surcharge `Animal.__str__()`;
(suite sur la page suivante)

24 Chapitre 3. Initiation à Python

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

12 """
13

14 def __init__(self, masse, nom='Youki'):

15 """
16 Initialisation d'un animal gentil, avec son masse et son nom.
17 """
18

19 # Initialisation de la classe parente (nécessaire pour assurer

20 # l'héritage)
21 Animal.__init__(self, masse)
22

23 # Attributs propres à la classe AnimalGentil

24 self.nom = nom
25

26 def __str__(self):
27 """
28 Surcharge de la fonction `str()`.
29 """
30

31 return f"{ self.nom} , un animal gentil " \

32 f"{ 'bien vivant' if self.estVivant else 'mais mort'} , " \
33 f"{ self.masse: .0f} kg"
34

35 def meurt(self):
36 """
37 L'animal gentil meurt, avec un éloge funéraire.
38 """
39

40 Animal.meurt(self)
41 print(f"Pauvre { self.nom} meurt, paix à son ^ame...")

Note : Il est traditionnel d’écrire les noms de classes en CamelCase (AnimalGentil), et les noms
d’instances de classe (les variables) en minuscules (vache).

Exemples

Animal (POO), Cercle circonscrit (POO, argparse)

Études de cas

— turtle.Vec2D
— fractions.Fraction

Exercices :

Animaux (POO/TDD) *, Jeu de la vie (POO) **

3.8. Classes 25
 Analyse scientifique avec Python, Version Janvier 2021

3.9 Entrées-sorties

3.9.1 Intéractif
Comme nous avons pu le voir précédemment, l’affichage à l’écran se fait par print, la lecture du clavier
par input.

3.9.2 Fichiers texte

La gestion des fichiers (lecture et écriture) se fait à partir de la fonction open() retournant un objet de
type file object :

1 # ========== ÉCRITURE ==========

2 outfile = open("carres.dat", 'w') # Ouverture du fichier texte "carres.dat" en écriture
3 for i in range(1, 10):
4 outfile.write(f"{ i} { i**2} \n") # Noter la présence du '\n' (non-automatique)
5 outfile.close() # Fermeture du fichier (nécessaire)
6

7 # ========== LECTURE ==========

8 infile = open("carres.dat") # Ouverture du fichier texte "carres.dat" en lecture
9 for line in infile: # Boucle sur les lignes du fichier
10 if line.strip().startswith('#'): # Ne pas considérer les lignes "commentées"
11 continue
12 try: # Essayons de lire 2 entiers sur cette ligne
13 x, x2 = [ int(tok) for tok in line.split() ]
14 except ValueError: # Gestion des erreurs
15 print(f"Cannot decipher line { line!r} .")
16 continue
17 print(f"{ x} **3 = { x**3} ")

26 Chapitre 3. Initiation à Python

 CHAPITRE 4

Python avancé

Table des matières

— Fonctionnalités avancées
— Arguments anonymes
— Dépaquetage des arguments
— Dépaquetage des itérables
— Décorateurs
— Fonction anonyme
— Programmation Orientée Objet avancée
— Variables de classe
— Méthodes statiques
— Méthodes de classe
— Attributs et méthodes privées
— Propriétés
— Éléments passés sous silence
— Python 3.x
— Transition Python 2 à Python 3

4.1 Fonctionnalités avancées

La brève introduction à Python se limite à des fonctionnalités relativement simples du langage. De
nombreuses fonctionnalités plus avancées n’ont pas encore été abordées 1 .
1. Je ne parlerai pas ici des variables globales. . .

27
Analyse scientifique avec Python, Version Janvier 2021

4.1.1 Arguments anonymes

Il est possible de laisser libre a priori le nombre et le nom des arguments d’une fonction, traditionnelle-
ment nommés args (arguments nécessaires) et kwargs (arguments optionnels). P.ex. :

>>> def f(*args, **kwargs):

... print("args:", args)
... print("kwargs:", kwargs)
>>> f()
args: ()
kwargs: {}
>>> f(1, 2, 3, x=4, y=5)
args: (1, 2, 3)
kwargs: {'y': 5, 'x': 4}

Attention : Cela laisse une grande flexibilité dans l’appel de la fonction, mais au prix d’une très
mauvaise lisibilité de sa signature (interface de programmation). À utiliser avec parcimonie. . .

4.1.2 Dépaquetage des arguments

Il est possible de dépaqueter les [kw]args d’une fonction à la volée à l’aide de l’opérateur [*]*. Ainsi,
avec la même fonction f précédemment définie :

>>> my_args = (1, 2, 3)

>>> my_kwargs = dict(x=4, y=5)
>>> f(my_args, my_kwargs) # 2 args (1 liste et 1 dict.) et 0 kwarg
args: ((1, 2, 3), {'x': 4, 'y': 5})
kwargs: {}
>>> f(*my_args, **my_kwargs) # 3 args (1, 2 et 3) et 2 kwargs (x et y)
args: (1, 2, 3)
kwargs: {'x': 4, 'y': 5}

À partir de Python 3.5, il est encore plus facile d’utiliser un ou plusieurs de ces opérateurs conjointement
aux [kw]args traditionnels (PEP 448), dans la limite où les args sont toujours situés avant les kwargs :

>>> f(0, *my_args, 9, **my_kwargs, z=6)

args: (0, 1, 2, 3, 9)
kwargs: {'x': 4, 'z': 6, 'y': 5}

4.1.3 Dépaquetage des itérables

Il est également possible d’utiliser l’opérateur * pour les affectations multiples (PEP 3132) :

>>> a, b, c = 1, 2, 3, 4
ValueError: too many values to unpack (expected 3)
>>> a, *b, c = 1, 2, 3, 4
>>> a, b, c
(1, [2, 3], 4)

28 Chapitre 4. Python avancé

 Analyse scientifique avec Python, Version Janvier 2021

4.1.4 Décorateurs
Les fonctions (et méthodes) sont en Python des objets comme les autres, et peuvent donc être utilisées
comme arguments d’une fonction, ou retournées comme résultat d’une fonction.

1 def compute_and_print(fn, *args, **kwargs):

2

3 print("Function: ", fn.__name__)

4 print("Arguments: ", args, kwargs)
5 result = fn(*args, **kwargs)
6 print("Result: ", result)
7

8 return result

Les décorateurs sont des fonctions s’appliquant sur une fonction ou une méthode pour en modifier le
comportement : elles retournent de façon transparente une version « décorée » (augmentée) de la fonction
initiale.

1 def verbose(fn): # fonction → fonction décorée

2

3 def decorated(*args, **kwargs):

4 print("Function: ", fn.__name__)
5 print("Arguments: ", args, kwargs)
6 result = fn(*args, **kwargs)
7 print("Result: ", result)
8

9 return result
10

11 return decorated # version décorée de la fonction initiale

>>> verbose_sum = verbose(sum) # Décore la fonction standard 'sum'

>>> verbose_sum([1, 2, 3])
Function: sum
Arguments: ([1, 2, 3],) {}
Result: 6

Il est possible de décorer une fonction à la volée lors de sa définition avec la notation @ :

@verbose
def null(*args, **kwargs):
pass

qui n’est qu’une façon concise d’écrire null = verbose(null).

>>> null(1, 2, x=3)

Function: null
Arguments: (1, 2) {'x': 3}
Result: None

Noter qu’il est possible d’ajouter plusieurs décorateurs, et de passer des arguments supplémentaires aux
décorateurs.

4.1. Fonctionnalités avancées 29

 Analyse scientifique avec Python, Version Janvier 2021

Exemple 1 : ajouter un attribut à une fonction/méthode

1 def add_attrs(**kwargs):
2 """
3 Decorator adding attributes to a function, e.g.
4 ::
5

6 @attrs(source='NIST/IAPWS')
7 def func(...):
8 ...
9 """
10

11 def decorate(f):
12 for key, val in kwargs.iteritems():
13 setattr(f, key, val)
14 return f
15

16 return decorate

Exemple 2 : monkey patching * (modification à la volée des propriétés d’un objet)

1 def make_method(obj):
2 """
3 Decorator to make the function a method of `obj` (*monkey patching*), e.g.
4 ::
5

6 @make_method(MyClass)
7 def func(myClassInstance, ...):
8 ...
9

10 makes `func` a method of `MyClass`, so that one can directly use::

11

12 myClassInstance.func()
13 """
14

15 def decorate(f):
16 setattr(obj, f.__name__, f)
17 return f
18

19 return decorate

Liens :

— Python et les décorateurs

— Primer on Python Decorators
— A guide to Python’s function decorators
— Python Decorator Library

30 Chapitre 4. Python avancé

 Analyse scientifique avec Python, Version Janvier 2021

4.1.5 Fonction anonyme

Il est parfois nécéssaire d’utiliser une fonction intermédiaire simple que l’on ne souhaite pas définir
explicitement et nommément à l’aide de def. Cela est possible avec l’opérateur fonctionnel lambda
args : expression . P.ex. :

>>> compute_and_print(sum, [1, 2]) # Fn nommée à 1 argument

Function: sum
Arguments: ([1, 2],), {}
Result: 3
>>> compute_and_print(lambda x, y: x + y, 1, 2) # Fn anonyme à 2 arguments
Function: <lambda>
Arguments: (1, 2) {}
Result: 3

La définition d’une fonction lambda ne peut inclure qu”une seule expression, et est donc contrainte de
facto à être très simple, généralement pour être utilisée comme argument d’une autre fonction :

>>> pairs = [(1, 'one'), (2, 'two'), (3, 'three'), (4, 'four')]
>>> pairs.sort(key=lambda pair: pair[1]) # tri sur le 2e élément de la paire
>>> pairs
[(4, 'four'), (1, 'one'), (3, 'three'), (2, 'two')]

Note : il est possible de « nommer » une fonction anonyme, p.ex. :

>>> adder = lambda x, y: x + y

Cependant, cela est considéré comme une faute de style, puisque ce n’est justement pas l’objectif d’une
fonction anonyme ! Il n’y a p.ex. pas de docstring associée.

Voir également : Functional Programming

4.2 Programmation Orientée Objet avancée

4.2.1 Variables de classe

Il s’agit d’attributs fondamentaux communs à toutes les instances de la classe, contrairement aux attributs
d’instance (définis à l’initialisation).

class MyClass:

version = 1.2 # Variable de classe (commun à toutes les instances)

def __init__(self, x):

self.x = x # Attribut d'instance (spécifique à chaque instance)

4.2. Programmation Orientée Objet avancée 31

Analyse scientifique avec Python, Version Janvier 2021

4.2.2 Méthodes statiques

Ce sont des méthodes qui ne travaillent pas sur une instance (le self en premier argument). Elles sont
définies à l’aide de la fonction staticmethod() généralement utilisée en décorateur.
Elles sont souvent utilisées pour héberger dans le code d’une classe des méthodes génériques qui y sont
liées, mais qui pourrait être utilisées indépendamment (p.ex. des outils de vérification ou de conversion).

class MyClass:

def __init__(self, speed):

self.speed = speed # [m/s]

@staticmethod
def ms_to_kmh(speed):
"Conversion m/s → km/h."

return speed * 3.6 # [m/s] → [km/h]

Une méthode statique peut être invoquée directement via la classe en dehors de toute instanciation (p.ex.
MyClass.ms_to_kmh()), ou via une instance (p.ex. self.ms_to_kmh()).

4.2.3 Méthodes de classe

Ce sont des méthodes qui ne travaillent pas sur une instance (self en premier argument) mais direc-
tement sur la classe elle-même (cls en premier argument). Elles sont définies à l’aide de la fonction
classmethod() généralement utilisée en décorateur.
Elles sont souvent utilisées pour fournir des méthodes d’instanciation alternatives.

class MyClass:

def __init__(self, x, y):

"Initialisation classique."

self.x, self.y = x, y

@classmethod
def init_from_file(cls, filename):
"Initialisation à partir d'un fichier."

x, y = ... # Lire x et y depuis le fichier.

return cls(x, y) # Cette initialisation retourne bien une instance

@classmethod
def init_from_web(cls, url):
"Initialisation à partir d'une URL."

x, y = ... # Lire x et y depuis le Web.

return cls(x, y) # Cette initialisation retourne bien une instance

32 Chapitre 4. Python avancé

 Analyse scientifique avec Python, Version Janvier 2021

Exemple

1 class Date:
2 "Source: https://stackoverflow.com/questions/12179271"
3

4 def __init__(self, day=0, month=0, year=0):

5 """Initialize from day, month and year values (no verification)."""
6

7 self.day = day
8 self.month = month
9 self.year = year
10

11 @classmethod
12 def from_string(cls, astring):
13 """Initialize from (verified) 'day-month-year' string."""
14

15 if cls.is_valid_date(astring):
16 day, month, year = map(int, astring.split('-'))
17

18 return cls(day, month, year)

19 else:
20 raise IOError(f"{ astring!r} is not a valid date string.")
21

22 @staticmethod
23 def is_valid_date(astring):
24 """Check validity of 'day-month-year' string."""
25

26 try:
27 day, month, year = map(int, astring.split('-'))
28 except ValueError:
29 return False
30 else:
31 return (0 < day <= 31) and (0 < month <= 12) and (0 < year <= 2999)

4.2.4 Attributs et méthodes privées

Contrairement p.ex. au C++, Python n’offre pas de mécanisme de privatisation des attributs ou mé-
thodes 2 :
— Les attributs/méthodes standards (qui ne commencent pas par _) sont publiques, librement ac-
cessibles et modifiables (ce qui n’est pas une raison pour faire n’importe quoi) :

>>> youki = Animal(10.); youki.masse

10.0
>>> youki.masse = -5; youki.masse # C'est vous qui voyez...
-5.0

— Les attributs/méthodes qui commencent par un simple _ sont réputées privées (mais sont en fait
parfaitement publiques) : une interface est généralement prévue (setter et getter), même si vous
pouvez y accéder directement à vos risques et périls.

1 class AnimalPrive:
2

3 def __init__(self, mass):

4

5 self.set_mass(mass)
6

7 def set_mass(self, mass):

8 """Setter de l'attribut privé `mass`."""
9

(suite sur la page suivante)

2. We’re all consenting adults.

4.2. Programmation Orientée Objet avancée 33

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

10 if float(mass) < 0:
11 raise ValueError("Mass should be a positive float.")
12

13 self._mass = float(mass)
14

15 def get_mass(self):
16 """Getter de l'attribut privé `mass`."""
17

18 return self._mass

>>> youki = AnimalPrive(10); youki.get_mass()

10.0
>>> youki.set_mass(-5)
ValueError: Mass should be a positive float.
>>> youki._mass = -5; youki.get_mass() # C'est vous qui voyez...
-5.0

— Les attributs/méthodes qui commencent par un double __ (dunder) sont « cachées » sous un nom
complexe mais prévisible (cf. PEP 8).
1 class AnimalTresPrive:
2

3 def __init__(self, mass):

4

5 self.set_mass(mass)
6

7 def set_mass(self, mass):

8 """Setter de l'attribut privé `mass`."""
9

10 if float(mass) < 0:
11 raise ValueError("Mass should be a positive float.")
12

13 self.__mass = float(mass)
14

15 def get_mass(self):
16 """Getter de l'attribut privé `mass`."""
17

18 return self.__mass

>>> youki = AnimalTresPrive(10); youki.get_mass()

10.0
>>> youki.__mass = -5; youki.get_mass() # L'attribut __mass n'existe pas sous ce nom...
10.0
>>> c._AnimalTresPrive__mass = -5; youki.get_mass() # ... mais sous un alias compliqué.
-5.0

4.2.5 Propriétés
Compte tenu de la nature foncièrement publique des attributs, le mécanisme des getters et setters n’est
pas considéré comme très pythonique. Il est préférable d’utiliser la notion de property (utilisée en
décorateur).
1 class AnimalProperty:
2

3 def __init__(self, mass):

4

5 self.mass = mass # Appelle le setter de la propriété

6

7 @property
(suite sur la page suivante)

34 Chapitre 4. Python avancé

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

8 def mass(self): # Propriété mass (= getter)
9

10 return self._mass
11

12 @mass.setter
13 def mass(self, mass): # Setter de la propriété mass
14

15 if float(mass) < 0:
16 raise ValueError("Mass should be a positive float.")
17

18 self._mass = float(mass)

>>> youki = AnimalProperty(10); youki.mass

10.0
>>> youki.mass = -5
ValueError: Mass should be a positive float.
>>> youki._mass = -5; youki.mass
-5.0

Les propriétés sont également utilisées pour accéder à des quantités calculées à la volée à partir d’attributs
intrinsèques.

1 class Interval:
2

3 def __init__(self, minmax):

4 """Initialisation à partir d'un 2-tuple."""
5

6 self._range = _, _ = minmax # Test à la volée

7

8 @property
9 def min(self):
10 """La propriété min est simplement _range[0]. Elle n'a pas de setter."""
11

12 return self._range[0]
13

14 @property
15 def max(self):
16 """La propriété max est simplement _range[1]. Elle n'a pas de setter."""
17

18 return self._range[1]
19

20 @property
21 def middle(self):
22 """La propriété middle est calculée à la volée. Elle n'a pas de setter."""
23

24 return (self.min + self.max) / 2

>>> i = Interval((0, 10)); i.min, i.middle, i.max

(0, 5, 10)
>>> i.max = 100
AttributeError: can't set attribute

4.2. Programmation Orientée Objet avancée 35

Analyse scientifique avec Python, Version Janvier 2021

4.3 Éléments passés sous silence

Il existe encore beaucoup d’éléments passés sous silence :
— iterator (next()) et generator (yield) ;
— gestion de contexte : with (PEP 343) ;
— annotations de fonctions (PEP 484) et de variables (PEP 526) ;
— __str__ vs. __repr__ et r-string, __new__ (instanciation) vs. __init__ (initialisation) ;
— class factory ;
— héritages multiples et méthodes de résolution ;
— etc.
Ces fonctionnalités peuvent évidemment être très utiles, mais ne sont généralement pas strictement
indispensables pour une première utilisation de Python dans un contexte scientifique.

4.4 Python 3.x

Pour des raisons historiques autant que pratiques 3 , ce cours présentait initialement le langage Python
dans sa version 2. Cependant, puisque le développement actuel de Python (et de certaines de ses bi-
bliothèques clés) se fait maintenant uniquement sur la branche 3.x, qui constitue une remise à plat non
rétrocompatible du langage, et que la branche 2.x n’est plus supporté depuis janvier 2020 (PEP 466), le
cours a été porté sur Python 3.
Python 3 apporte quelques changements fondamentaux, notamment :
— print() n’est plus un mot-clé mais une fonction : print(...) ;
— l’opérateur / ne réalise plus la division euclidienne entre les entiers, mais toujours la division
réelle ;
— la plupart des fonctions qui retournaient des itérables en Python 2 (p.ex. range()) retournent
maintenant des itérateurs, plus légers en mémoire ;
— un support complet (mais encore complexe) des chaînes Unicode ;
— un nouveau système de formatage des chaînes de caractères (f-string du PEP 498 à partir de
Python 3.6) ;
— la fonction de comparaison cmp (et la méthode spéciale associée __cmp__) n’existe plus 4 .

Note : La branche 3.x a pris un certain temps pour mûrir, et Python 3 n’est vraiment considéré
fonctionnel (et maintenu) qu’à partir de la version 3.5. Inversement, la dernière version supportée de
Python 2 a été 2.7.

4.4.1 Transition Python 2 à Python 3

Avertissement : Python 2 n’étant plus supporté, il est dorénavant indispensable d’utiliser exclusi-
vement Python 3.

Si votre code est encore sous Python 2.x, il existe de nombreux outils permettant de faciliter la transition
vers 3.x (mais pas de la repousser ad eternam) :
— L’interpréteur Python 2.7 dispose d’une option -3 mettant en évidence dans un code les parties
qui devront être modifiées pour un passage à Python 3.
— Le script 2to3 permet d’automatiser la conversion du code 2.x en 3.x.
— La bibliothèque standard __future__ permet d’introduire des constructions 3.x dans un code 2.x,
p.ex. :

3. De nombreuses distributions Linux utilisent encore des outils Python 2.7.

4. Voir functools.total_ordering() pour une alternative.

36 Chapitre 4. Python avancé

 Analyse scientifique avec Python, Version Janvier 2021

from __future__ import print_function # Fonction print()

from __future__ import division # Division non-euclidienne

print(1/2) # Affichera '0.5'

— La bibliothèque non standard six fournit une couche de compatibilité 2.x-3.x, permettant de
produire de façon transparente un code compatible simultanément avec les deux versions.

Liens

— Py3 Readiness : liste (réduite) des bibliothèques encore non-compatibles avec Python 3
— Porting Python 2 Code to Python 3
— The Conservative Python 3 Porting Guide
— Python 2/3 compatibility

4.4. Python 3.x 37

Analyse scientifique avec Python, Version Janvier 2021

38 Chapitre 4. Python avancé

 CHAPITRE 5

Bibliothèque standard

Table des matières

— Gestion des arguments/options de la ligne de commande

— Pickle : sérialisation des données
— Batteries included
— Text/Graphical User Interfaces

Python dispose d’une très riche bibliothèque de modules étendant les capacités du langage dans de
nombreux domaines : nouveaux types de données, interactions avec le système, gestion des fichiers et des
processus, protocoles de communication (internet, mail, FTP, etc.), multimédia, etc.
— The Python Standard Library (v3.x)
— Python Module of the Week (v3.x)

5.1 Gestion des arguments/options de la ligne de commande

Utilisation de sys.argv

Le module sys permet un accès direct aux arguments de la ligne de commande, via la liste sys.argv :
sys.argv[0] contient le nom du script executé, sys.argv[1] le nom du 1er argument (s’il existe), etc.
P.ex. :

1 # Gestion simplifiée d'un argument entier sur la ligne de commande

2 import sys
3

4 if sys.argv[1:]: # Présence d'au moins un argument sur la ligne de commande

5 try:
6 n = int(sys.argv[1]) # Essayer de lire le 1er argument comme un entier
7 except ValueError:
8 raise ValueError(f"L'argument { sys.argv[1]!r} n'est pas un entier")
9 else: # Pas d'argument sur la ligne de commande
10 n = 101 # Valeur par défaut

39
 Analyse scientifique avec Python, Version Janvier 2021

Module argparse

Pour une gestion avancée des arguments et/ou options de la ligne de commande, il est préférable d’utiliser
le module argparse. P.ex. :

1 import argparse
2

3 parser = argparse.ArgumentParser(
4 usage="%(prog)s [-p/--plot] [-i/--input coordfile | x1,y1 x2,y2 x3,y3]",
5 description="Compute the circumscribed circle to 3 points in the plan.")
6 parser.add_argument('coords', nargs='*', type=str, metavar='x,y',
7 help="Coordinates of point")
8 parser.add_argument('-i', '--input', nargs='?', type=argparse.FileType('r'),
9 help="Coordinate file (one 'x,y' per line)")
10 parser.add_argument('-P', '--plot', action="store_true", default=False,
11 help="Draw the circumscribed circle")
12 parser.add_argument('-T', '--tests', action="store_true", default=False,
13 help="Run doc tests")
14 parser.add_argument('--version', action='version', version=__version__)
15

16 args = parser.parse_args()

Cette solution génère automatiquement une aide en ligne, p.ex. :

$ python3 circonscrit.py -h
usage: circonscrit.py [-p/--plot] [-i/--input coordfile | x1,y1 x2,y2 x3,y3]

Compute the circumscribed circle to 3 points in the plan.

positional arguments:
x,y Coordinates of point

optional arguments:
-h, --help show this help message and exit
-i [INPUT], --input [INPUT]
Coordinate file (one 'x,y' per line)
-p, --plot Draw the circumscribed circle
-T, --tests Run doc tests
--version show program's version number and exit

5.2 Pickle : sérialisation des données

Le module pickle permet la sauvegarde pérenne d’objets python (« sérialisation »).

>>> d = dict(a=1, b=2, c=3)

>>> l = ["Calvin", 6, 1.20]
>>> import pickle
>>> pkl = open('archive.pkl', 'wb') # Overture du fichier en écriture binaire
>>> pickle.dump((d, l), pkl, protocol=-1) # Sérialisation du tuple (d, l)
>>> pkl.close() # *IMPORTANT!* Fermeture du fichier
>>> d2, l2 = pickle.load(open('archive.pkl', 'rb')) # Désérialisation (relecture)
>>> (d == d2) and (l == l2)
True

Attention : les pickles ne sont pas un format d’échange de données. Ils sont spécifiques à python,
et peuvent dépendre de la machine utilisée. Ils peuvent en outre constituer une faille de sécurité.

40 Chapitre 5. Bibliothèque standard

 Analyse scientifique avec Python, Version Janvier 2021

5.3 Batteries included

Quelques modules de la bibliothèque standard qui peuvent être d’intérêt :
— math : accès aux fonctions mathématiques réelles

>>> math.asin(math.sqrt(2) / 2) / math.pi * 180

45.00000000000001

— cmath : accès aux fonctions mathématiques complexes

>>> cmath.exp(cmath.pi * 1j) + 1

1.2246467991473532e-16j

— fractions : définition des nombres rationnels

>>> print(fractions.Fraction(2, 3) + fractions.Fraction(5, 6))

3/2
>>> print(fractions.Fraction(*(3.5).as_integer_ratio()))
7/2

— random : générateurs de nombres aléatoires

>>> random.sample(range(10), 3) # Échantillon de 3 éléments sans remplacement

[9, 1, 6]
>>> random.gauss(0, 1) # Distribution normale centrée réduite
0.1245612752121385

— autres modules numériques et mathématiques ;

— collections définit de nouveaux types spécialisés, p.ex. collections.OrderedDict, un diction-
naire ordonné, ou collections.namedtuple(), pour la création d’objets simples :

>>> Point = collections.namedtuple("Point", "x y")

>>> p = Point(3, 4)
>>> print(p)
Point(x=3, y=4)
>>> (p.x**2 + p.y**2)**0.5
5.0

— functools est une collection d’outils s’appliquant sur des fonctions (mémorisation, fonction par-
tielle, fonction générique, wrapping, etc.)
— itertools fournit des générateurs de boucle (itérateurs) et de combinatoire :

>>> [ ''.join(item) for item in itertools.combinations('ABCD', 2) ]

['AB', 'AC', 'AD', 'BC', 'BD', 'CD']

— interactions avec le système :

— sys, os : interface système,
— shutil : opérations sur les fichiers (copy, move, etc.),
— subprocess : éxécution de commandes système,
— glob : métacaractères du shell (p.ex. toto?.*) ;
— expressions rationnelles (ou regex) : re ;
— warnings et logging : gestion des avertissements d’éxécution et mécanismes de logging
— gestion du temps (time) et des dates (datetime, calendar) ;
— fichiers compressés et archives : gzip, bz2, zipfile, tarfile ;
— lecture et sauvegarde des données (outre pickle) :
— pprint : affichage « amélioré » d’un objet,
— csv : lecture/sauvegarde de fichiers CSV (Comma Separated Values),
— configparser : fichiers de configuration,
— json : lightweight data interchange format ;
— lecture d’une URL (p.ex. page web) : urllib2.

5.3. Batteries included 41

Analyse scientifique avec Python, Version Janvier 2021

5.4 Text/Graphical User Interfaces

— TUI (Text User Interface) : curses

— GUI (Graphical User Interface) : tkinter,

Bibliothèques externes :

— TUI : termcolor (texte coloré ANSII), blessed (mise en page)

— GUI : pygobject (GTK3), PyQt / pySide (Qt), wxPython (wxWidgets)

42 Chapitre 5. Bibliothèque standard

 CHAPITRE 6

Bibliothèques numériques de base

Table des matières

— Numpy
— Tableaux
— Création de tableaux
— Manipulations sur les tableaux
— Opérations de base
— Tableaux évolués
— Entrées/sorties
— Sous-modules
— Performances
— Scipy
— Tour d’horizon
— Quelques exemples complets
— Matplotlib
— pylab vs. pyplot
— Figure et axes
— Sauvegarde et affichage interactif
— Anatomie d’une figure
— Visualisation 3D

6.1 Numpy
numpy est une bibliothèque numérique apportant le support efficace de larges tableaux multidimension-
nels, et de routines mathématiques de haut niveau (fonctions spéciales, algèbre linéaire, statistiques,
etc.).

Note :
— La convention d’import utilisé dans les exemples est « import numpy as N ».
— N’oubliez pas de citer numpy dans vos publications et présentations utilisant ces outils.

43
Analyse scientifique avec Python, Version Janvier 2021

Liens :

— Numpy User Guide

— Numpy Reference

6.1.1 Tableaux
Un numpy.ndarray (généralement appelé array) est un tableau multidimensionnel homogène : tous les
éléments doivent avoir le même type, en général numérique. Les différentes dimensions sont appelées des
axes, tandis que le nombre de dimensions – 0 pour un scalaire, 1 pour un vecteur, 2 pour une matrice,
etc. – est appelé le rang.

>>> import numpy as N # Import de la bibliothèque numpy avec le surnom N

>>> a = N.array([1, 2, 3]) # Création d'un array 1D à partir d'une liste d'entiers
>>> a.ndim # Rang du tableau
1 # Vecteur (1D)
>>> a.shape # Format du tableau: par définition, len(shape)=ndim
(3,) # Vecteur 1D de longueur 3
>>> a.dtype # Type des données du tableau
dtype('int32') # Python 'int' = numpy 'int32' = C 'long'
>>> # Création d'un tableau 2D de float (de 0. à 12.) de shape 4×3
>>> b = N.arange(12, dtype=float).reshape(4, 3); b
array([[ 0., 1., 2.],
[ 3., 4., 5.],
[ 6., 7., 8.],
[ 9., 10., 11.]])
>>> b.shape # Nb d'éléments le long de chacune des dimensions
(4, 3) # 4 lignes, 3 colonnes
>>> b.size # Nb *total* d'éléments dans le tableau
12 # Par définition, size = prod(shape)
>>> b.dtype
dtype('float64') # Python 'float' = numpy 'float64' = C 'double'

Création de tableaux

— numpy.array() : convertit une liste d’éléments homogènes ou coercibles

>>> N.array([[1, 2],[3., 4.]]) # Liste de listes d'entiers et de réels

array([[ 1., 2.], # Tableau 2D de réels
[ 3., 4.]])

— numpy.zeros() (resp. numpy.ones() et numpy.full()) : crée un tableau de format donné rempli

de zéros (resp. de uns et d’une valeur fixe)

>>> N.zeros((2, 1)) # Shape (2, 1): 2 lignes, 1 colonne, float par défaut
array([[ 0.],
[ 0.]])
>>> N.ones((1, 2), dtype=bool) # Shape (1, 2): 1 ligne, 2 colonnes, type booléen
array([[True, True]], dtype=bool)
>>> N.full((2, 2), N.NaN)
array([[ nan, nan],
[ nan, nan]])

— numpy.arange() : crée une séquence de nombres, en spécifiant éventuellement le start, le end et

le step (similaire à range() pour les listes)

>>> N.arange(10, 30, 5) # De 10 à 30 (exclu) par pas de 5, type entier par défaut
array([10, 15, 20, 25])
>>> N.arange(0.5, 2.1, 0.3) # Accepte des réels en argument, DANGER!
array([ 0.5, 0.8, 1.1, 1.4, 1.7, 2. ])

44 Chapitre 6. Bibliothèques numériques de base

 Analyse scientifique avec Python, Version Janvier 2021

— numpy.linspace() (resp. numpy.logspace()) : répartition uniforme (resp. logarithmique) d’un

nombre fixe de points entre un start et un end (préférable à numpy.arange() sur des réels).
>>> N.linspace(0, 2*N.pi, 5) # 5 nb entre 0 et 2π *inclus*, type réel par défaut
array([ 0., 1.57079633, 3.14159265, 4.71238898, 6.28318531])
>>> N.logspace(-1, 1, 5) # 5 nb répartis log. entre 10**(±1)
array([ 0.1 , 0.31622777, 1. , 3.16227766, 10. ])

— numpy.meshgrid() est similaire à numpy.linspace() en 2D ou plus :

>>> # 5 points entre 0 et 2 en "x", et 3 entre 0 et 1 en "y"
>>> x = N.linspace(0, 2, 5); x # Tableau 1D des x, (5,)
array([ 0. , 0.5, 1. , 1.5, 2. ])
>>> y = N.linspace(0, 1, 3); y # Tableau 1D des y, (3,)
array([ 0. , 0.5, 1. ])
>>> xx, yy = N.meshgrid(x, y) # Tableaux 2D des x et des y
>>> xx # Tableau 2D des x, (3, 5)
array([[ 0. , 0.5, 1. , 1.5, 2. ],
[ 0. , 0.5, 1. , 1.5, 2. ],
[ 0. , 0.5, 1. , 1.5, 2. ]])
>>> yy # Tableau 2D des y, (3, 5)
array([[ 0. , 0. , 0. , 0. , 0. ],
[ 0.5, 0.5, 0.5, 0.5, 0.5],
[ 1. , 1. , 1. , 1. , 1. ]])

Index tricks

— numpy.r_ (resp. numpy.c_) est un opérateur puissant avec une notation évoluée (index tricks),
permettant à la fois la génération (équivalent à numpy.arange() et numpy.linspace()) et la
concaténation (numpy.concatenate()) le long du 1e axe (resp. du 2e axe) :
>>> N.concatenate([[0], N.arange(1, 6, 2), N.zeros(2), N.linspace(1, 2, 3)])
array([0. , 1. , 3. , 5. , 0. , 0. , 1. , 1.5, 2. ])
>>> N.r_[0, 1:6:2, [0]*2, 1:2:3j] # Notez les crochets et les slices
array([0. , 1. , 3. , 5. , 0. , 0. , 1. , 1.5, 2. ])
>>> N.c_[1:6:2, 1:2:3j]
array([[1. , 1. ],
[3. , 1.5],
[5. , 2. ]])

— Plus généralement, numpy.mgrid permet de générer des rampes d’indices (entiers) ou de coor-
données (réels) de rang arbitraire avec les index tricks. Équivalent à numpy.linspace() en 1D et
similaire (mais différent) à numpy.meshgrid() en 2D.
>>> N.mgrid[0:4, 1:6:2] # Grille 2D d'indices (entiers)
array([[[0, 0, 0], # 0:4 = [0, 1, 2, 3] selon l'axe 0
[1, 1, 1],
[2, 2, 2],
[3, 3, 3]],
[[1, 3, 5], # 1:6:2 = [1, 3, 5] selon l'axe 1
[1, 3, 5],
[1, 3, 5],
[1, 3, 5]]])
>>> N.mgrid[0:2*N.pi:5j] # Rampe de coordonnées (réels): 5 nb de 0 à 2π (inclus)
array([ 0., 1.57079633, 3.14159265, 4.71238898, 6.28318531])
>>> # 3 points entre 0 et 1 selon l'axe 0, et 5 entre 0 et 2 selon l'axe 1
>>> z = N.mgrid[0:1:3j, 0:2:5j]; z
array([[[ 0. , 0. , 0. , 0. , 0. ], # Axe 0 variable, axe 1 constant
[ 0.5, 0.5, 0.5, 0.5, 0.5],
[ 1. , 1. , 1. , 1. , 1. ]],
[[ 0. , 0.5, 1. , 1.5, 2. ], # Axe 0 constant, axe 1 variable
(suite sur la page suivante)

6.1. Numpy 45
Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

[ 0. , 0.5, 1. , 1.5, 2. ],
[ 0. , 0.5, 1. , 1.5, 2. ]]])
>>> z.shape
(2, 3, 5) # 2 plans 2D (y, x) de 3 lignes (y) × 5 colonnes (x)
>>> N.mgrid[0:1:5j, 0:2:7j, 0:3:9j].shape
(3, 5, 7, 9) # 3 volumes 3D (z, y, x) de 5 plans (z) × 7 lignes (y) × 9 colonnes (x)

— numpy.ogrid est similaire à numpy.mgrid mais permet de générer des rampes d’indices ou de
coordonnées compactes (sparse) :

>>> N.ogrid[0:4, 1:6:2] # Rampes 2D d'indices (entiers)

[array([[0],
[1],
[2],
[3]]), array([[1, 3, 5]])]

Attention : à l’ordre de variation des indices dans les tableaux multidimensionnels, et aux
différences entre numpy.meshgrid() et numpy.mgrid/numpy.ogrid.

Tableaux aléatoires

— numpy.random.rand() crée un tableau d’un format donné de réels aléatoires dans [0, 1[ ; numpy.
random.randn() génère un tableau d’un format donné de réels tirés aléatoirement d’une distri-
bution gaussienne (normale) standard 𝒩 (𝜇 = 0, 𝜎 2 = 1).

Manipulations sur les tableaux

Les array 1D sont indexables comme les listes standard. En dimension supérieure, chaque axe est in-
déxable indépendamment.

>>> x = N.arange(10); # Rampe 1D

>>> x[1::3] *= -1; x # Modification sur place ("in place")
array([ 0, -1, 2, 3, -4, 5, 6, -7, 8, 9])

Slicing

Les sous-tableaux de rang < N d’un tableau de rang N sont appelées slices : le (ou les) axe(s) selon
le(s)quel(s) la slice a été découpée, devenu(s) de longueur 1, est (sont) éliminé(s).

>>> y = N.arange(2*3*4).reshape(2, 3, 4); y # 2 plans, 3 lignes, 4 colonnes

array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])
>>> y[0, 1, 2] # 1er plan (axe 0), 2e ligne (axe 1), 3e colonne (axe 2)
6 # Scalaire, shape *()*, ndim 0
>>> y[0, 1] # = y[0, 1, :] 1er plan (axe 0), 2e ligne (axe 1)
array([4, 5, 6, 7]) # Shape (4,)
>>> y[0] # = y[0, :, :] 1er plan (axe 0)
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]]) # Shape (3, 4)
>>> y[0][1][2] # = y[0, 1, 2] en ~4× plus lent (slices successives)
6
(suite sur la page suivante)

46 Chapitre 6. Bibliothèques numériques de base

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

>>> y[:, -1] # = y[:, 2, :] Dernière slice selon le 2e axe
array([[ 8, 9, 10, 11],
[20, 21, 22, 23]]) # Shape (2, 4)
>>> y[..., 0] # = y[:, :, 0] 1re slice selon le dernier axe
array([[ 0, 4, 8],
[12, 16, 20]]) # Shape (2, 3)
>>> # On peut vouloir garder explicitement la dimension "tranchée"
>>> y[..., 0:1] # 1re slice selon le dernier axe *en gardant le rang originel*
array([[[ 0],
[ 4],
[ 8]],
[[12],
[16],
[20]]])
>>> y[..., 0:1].shape
(2, 3, 1) # Le dernier axe a été conservé, il ne contient pourtant qu'un seul élément

Modification de format

numpy.ndarray.reshape() modifie le format d’un tableau sans modifier le nombre total d’éléments :
>>> y = N.arange(6).reshape(2, 3); y # Shape (6,) → (2, 3) (*size* inchangé)
array([[0, 1, 2],
[3, 4, 5]])
>>> y.reshape(2, 4) # Format incompatible (*size* serait modifié)
ValueError: total size of new array must be unchanged

numpy.ndarray.ravel() « déroule » tous les axes et retourne un tableau de rang 1 :

>>> y.ravel() # Ordre C par défaut: *1st axis slowest, last axis fastest*
array([ 0, 1, 2, 3, 4, 5]) # Shape (2, 3) → (6,) (*size* inchangé)
>>> y.ravel('F') # Ordre Fortran: *1st axis fastest, last axis slowest*
array([0, 3, 1, 4, 2, 5])

numpy.ndarray.transpose() transpose deux axes, par défaut les derniers (raccourci : numpy.ndarray.
T) :
>>> y.T # Transposition = y.transpose() (voir aussi *rollaxis*)
array([[0, 3],
[1, 4],
[2, 5]])

numpy.ndarray.squeeze() élimine tous les axes de dimension 1. numpy.expand_dims() ajoute un axe

de dimension 1 en position arbitraire. Cela est également possible en utilisant notation slice avec numpy.
newaxis.
>>> y[..., 0:1].squeeze() # Élimine *tous* les axes de dimension 1
array([0, 3])
>>> N.expand_dims(y[..., 0], -1).shape # Ajoute un axe de dim. 1 en dernière position
(2, 1)
>>> y[:, N.newaxis].shape # Ajoute un axe de dim. 1 en 2de position
(2, 1, 3)

numpy.resize() modifie le format en modifiant le nombre total d’éléments :

>>> N.resize(N.arange(4), (2, 4)) # Complétion avec des copies du tableau
array([[0, 1, 2, 3],
[0, 1, 2, 3]])
>>> N.resize(N.arange(4), (4, 2))
array([[0, 1],
(suite sur la page suivante)

6.1. Numpy 47
Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

[2, 3],
[0, 1],
[2, 3]])

Attention : N.resize(arr, shape) (complétion avec des copies de arr) est différent de arr.
resize(shape) (complétion avec des 0).

Exercice :

Inversion de matrice *

Stacking

>>> a = N.arange(5); a
array([0, 1, 2, 3, 4])
>>> N.hstack((a, a)) # Stack horizontal (le long des colonnes) = N.r_[a, a]
array([0, 1, 2, 3, 4, 0, 1, 2, 3, 4])
>>> N.vstack((a, a)) # Stack vertical (le long des lignes) = N.r_['0,2', a, a]
array([[0, 1, 2, 3, 4],
[0, 1, 2, 3, 4]])
>>> N.dstack((a, a)) # Stack en profondeur (le long des plans)
array([[[0, 0],
[1, 1],
[2, 2],
[3, 3],
[4, 4]]])

Broadcasting

L”array broadcasting définit les régles selon lesquelles deux tableaux de formats différents peuvent éven-
tuellement s’apparier.
1. Deux tableaux de même rang sont compatibles (broadcastable) si, pour chaque axe, soit les tailles
sont égales, soit l’une d’elles est exactement égale à 1. P.ex. (5, 3) et (1, 3) sont des formats
broadcastable, (5, 3) et (5, 1) également, mais (5, 3) et (3, 1) ne le sont pas.
2. Si un tableau a un axe de taille 1, le tableau sera dupliqué à la volée autant de fois que nécessaire
selon cet axe pour attendre la taille de l’autre tableau le long de cet axe. P.ex. un tableau (2, 1,
3) pourra être transformé en tableau (2, 5, 3) en le dupliquant 5 fois le long du 2e axe (axis=1).
3. La taille selon chaque axe après broadcast est égale au maximum de toutes les tailles d’entrée le
long de cet axe. P.ex. (5, 3, 1) × (1, 3, 4) → (5, 3, 4).
4. Si un des tableaux a un rang (ndim) inférieur à l’autre, alors son format (shape) est précédé
d’autant de 1 que nécessaire pour atteindre le même rang. P.ex. (5, 3, 1) × (4,) = (5, 3, 1) × (1,
1, 4) → (5, 3, 4).

>>> a = N.arange(6).reshape(2, 3); a # Shape (2, 3)

array([[0, 1, 2],
[3, 4, 5]])
>>> b = N.array([10, 20, 30]); b # Shape (3,)
array([10, 20, 30])
>>> a + b # Shape (3,) ~ (1, 3) → (2, 3) = (1, 3) copié 2 fois
array([[10, 21, 32],
[13, 24, 35]]) # Shape (2, 3)
>>> c = N.array([10, 20]); c # Shape (2,)
array([10, 20])
(suite sur la page suivante)

48 Chapitre 6. Bibliothèques numériques de base

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

>>> a + c # Shape (2,) ~ (1, 2) incompatible avec (2, 3)
ValueError: shape mismatch: objects cannot be broadcast to a single shape
>>> c[:, N.newaxis] # = c.reshape(-1, 1) Shape (2, 1)
array([[10],
[20]])
>>> a + c[:, N.newaxis] # Shape (2, 1) → (2, 3) = (2, 1) copié 3 fois
array([[10, 11, 12],
[23, 24, 25]])

Voir également cette présentation.

Indexation évoluée

>>> a = N.linspace(-1, 1, 5); a

array([-1. , -0.5, 0. , 0.5, 1. ])
>>> a >= 0 # Test logique: tableau de booléens
array([False, False, True, True, True], dtype=bool)
>>> (a >= 0).nonzero() # Indices des éléments ne s'évaluant pas à False
(array([2, 3, 4]),) # Indices des éléments >= 0
>>> a[(a >= 0).nonzero()] # Indexation par un tableau d'indices, pas pythonique :-(
array([ 0. , 0.5, 1. ])
>>> a[a >= 0] # Indexation par un tableau de booléens, pythonique :-D
array([ 0. , 0.5, 1. ])
>>> a[a < 0] -= 10; a # = N.where(a < 0, a - 10, a)
array([-11. , -10.5, 0. , 0.5, 1. ])

Opérations de base

>>> a = N.arange(3); a # Shape (3,), type *int*

array([0, 1, 2])
>>> b = 1. # ~ Shape (), type *float*
>>> c = a + b; c # *Broadcasting*: () → (1,) → (3,)
array([ 1., 2., 3.]) # *Upcasting*: int → float
>>> a += 1; a # Modification *in place* (plus efficace si possible)
array([ 1., 2., 3.])
>>> a.mean() # *ndarray* dispose de nombreuses méthodes numériques de base
2.0

Opérations sur les axes

>>> x = N.random.permutation(6).reshape(3, 2); x # 3 lignes, 2 colonnes

array([[3, 4],
[5, 1],
[0, 2]])
>>> x.min() # Minimum global (comportement par défaut: `axis=None`)
0
>>> x.min(axis=0) # Minima le long de l'axe 0 (i.e. l'axe des lignes)
array([0, 1]) # ce sont les minima colonne par colonne: (*3*, 2) → (2,)
>>> x.min(axis=1) # Minima le long de l'axe 1 (i.e. l'axe des colonnes)
array([3, 1, 0]) # ce sont les minima ligne par ligne (3, *2*) → (3,)
>>> x.min(axis=1, keepdims=True) # Idem mais en *conservant* le format originel
array([[3],
[1],
[0]])
>>> x.min(axis=(0, 1)) # Minima le long des axes 0 *et* 1 (c.-à-d. ici tous les axes)
0

6.1. Numpy 49
Analyse scientifique avec Python, Version Janvier 2021

Opérations matricielles

Les opérations de base s’appliquent sur les éléments des tableaux, et n’ont pas une signification matricielle
par défaut :

>>> m = N.arange(4).reshape(2, 2); m # Tableau de rang 2

array([[0, 1],
[2, 3]])
>>> i = N.identity(2, dtype=int); i # Tableau "identité" de rang 2 (type entier)
array([[1, 0],
[0, 1]])
>>> m * i # Attention! opération * sur les éléments
array([[0, 0],
[0, 3]])
>>> m @ i # Multiplication *matricielle* = N.dot(m, i): M × I = M
array([[0, 1],
[2, 3]])

Il est possible d’utiliser systématiquement les opérations matricielles en manipulant des numpy.matrix
plutôt que de numpy.ndarray :

>>> N.matrix(m) * N.matrix(i) # Opération * entre matrices

matrix([[0, 1],
[2, 3]])

Le sous-module numpy.linalg fournit des outils spécifiques au calcul matriciel (inverse, déterminant,
valeurs propres, etc.).

Ufuncs

numpy fournit de nombreuses fonctions mathématiques de base (numpy.exp(), numpy.atan2(), etc.)

s’appliquant directement sur les éléments des tableaux d’entrée :

>>> x = N.linspace(0, 2*N.pi, 5) # [0, π/2, π, 3π/2, 2π]

>>> y = N.sin(x); y # sin(x) = [0, 1, 0, -1, 0]
array([ 0.00000000e+00, 1.00000000e+00, 1.22460635e-16,
-1.00000000e+00, -2.44921271e-16])
>>> y == [0, 1, 0, -1, 0] # Test d'égalité stricte (élément par élément)
array([ True, True, False, True, False], dtype=bool) # Attention aux calculs en réels␣
˓→(float)!

>>> N.all(N.sin(x) == [0, 1, 0, -1, 0]) # Test d'égalité stricte de tous les éléments
False
>>> N.allclose(y, [0, 1, 0, -1, 0]) # Test d'égalité numérique de tous les éléments
True

50 Chapitre 6. Bibliothèques numériques de base

 Analyse scientifique avec Python, Version Janvier 2021

Exercices :

Median Absolute Deviation *, Distribution du pull ***

6.1.2 Tableaux évolués

Types composés

Par définition, tous les éléments d’un tableau homogène doivent être du même type. Cependant, outre les
types scalaires élémentaires – bool, int, float, complex, str, etc. – numpy supporte les types composés,
c.-à-d. incluant plusieurs sous-éléments de types différents :

>>> dt = N.dtype([('nom', 'U10'), # 1er élément: une cha^ıne de 10 caractères unicode

... ('age', 'i'), # 2e élément: un entier
... ('taille', 'd')]) # 3e élément: un réel (double)
>>> arr = N.array([('Calvin', 6, 1.20), ('Hobbes', 5, 1.80)], dtype=dt); arr
array([('Calvin', 6, 1.2), ('Hobbes', 5, 1.8)],
dtype=[('nom', '<U10'), ('age', '<i4'), ('taille', '<f8')])
>>> arr[0] # Accès par élément
('Calvin', 6, 1.2)
>>> arr['nom'] # Accès par sous-type
array(['Calvin', 'Hobbes'], dtype='<U10')
>>> rec = arr.view(N.recarray); rec # Vue de type 'recarray'
rec.array([('Calvin', 6, 1.2), ('Hobbes', 5, 1.8)],
dtype=[('nom', '<U10'), ('age', '<i4'), ('taille', '<f8')])
>>> rec.nom # Accès direct par attribut
array(['Calvin', 'Hobbes'], dtype='<U10')

Les tableaux structurés sont très puissants pour manipuler des données (semi-)hétérogènes, p.ex. les
entrées du catalogue CSV des objets de Messier Messier.csv :

1 # Messier, NGC, Magnitude, Size [arcmin], Distance [pc], RA [h], Dec [deg], Constellation,␣
˓→Season, Name

2 # Attention: les données n'ont pas vocation à ^etre très précises!

3 # D'après http://astropixels.com/messier/messiercat.html
4 M,NGC,Type,Mag,Size,Distance,RA,Dec,Con,Season,Name
5 M1,1952,Sn,8.4,5.0,1930.0,5.575,22.017,Tau,winter,Crab Nebula
6 M2,7089,Gc,6.5,12.9,11600.0,21.558,0.817,Aqr,autumn,
7 M3,5272,Gc,6.2,16.2,10400.0,13.703,28.383,CVn,spring,
8 M4,6121,Gc,5.6,26.3,2210.0,16.393,-26.533,Sco,summer,

>>> dt = N.dtype([('M', 'U3'), # N° catalogue Messier

... ('NGC', 'i'), # N° New General Catalogue
... ('Type', 'U2'), # Code type
... ('Mag', 'f'), # Magnitude
... ('Size', 'f'), # Taille [arcmin]
... ('Distance', 'f'), # Distance [pc]
... ('RA', 'f'), # Ascension droite [h]
... ('Dec', 'f'), # Déclinaison [deg]
... ('Con', 'U3'), # Code constellation
... ('Season', 'U6'), # Saison
... ('Name', 'U30')]) # Nom alternatif
>>> messier = N.genfromtxt("Messier.csv", dtype=dt, delimiter=',', comments='#')
>>> messier[1]
('M1', 1952, 'Sn', 8.39999962, 5., 1930., 5.57499981, 22.0170002, 'Tau', 'winter', 'Crab␣
˓→Nebula')

>>> N.nanmean(messier['Mag'])
7.4927273

6.1. Numpy 51
Analyse scientifique avec Python, Version Janvier 2021

Tableaux masqués

Le sous-module numpy.ma ajoute le support des tableaux masqués (Masked Arrays). Imaginons un tableau
(4, 5) de réels (positifs ou négatifs), sur lequel nous voulons calculer pour chaque colonne la moyenne
des éléments positifs uniquement :

>>> x = N.random.randn(4, 5); x

array([[-0.55867715, 1.58863893, -1.4449145 , 1.93265481, -0.17127422],
[-0.86041806, 1.98317832, -0.32617721, 1.1358607 , -1.66150602],
[-0.88966893, 1.36185799, -1.54673735, -0.09606195, 2.23438981],
[ 0.35943269, -0.36134448, -0.82266202, 1.38143768, -1.3175115 ]])
>>> x[x >= 0] # Donne les éléments >0 du tableau, sans leur indice
array([ 1.58863893, 1.93265481, 1.98317832, 1.1358607 , 1.36185799,
2.23438981, 0.35943269, 1.38143768])
>>> (x >= 0).nonzero() # Donne les indices ([i], [j]) des éléments positifs
(array([0, 0, 1, 1, 2, 2, 3, 3]), array([1, 3, 1, 3, 1, 4, 0, 3]))
>>> y = N.ma.masked_less(x, 0); y # Tableau où les éléments <0 sont masqués
masked_array(data =
[[-- 1.58863892701 -- 1.93265481164 --] # Données
[-- 1.98317832359 -- 1.13586070417 --]
[-- 1.36185798574 -- -- 2.23438980788]
[0.359432688656 -- -- 1.38143767743 --]],
mask =
[[ True False True False True] # Bit de masquage
[ True False True False True]
[ True False True True False]
[False True True False True]],
fill_value = 1e+20)
>>> m0 = y.mean(axis=0); m0 # Moyenne sur les lignes (axe 0)
masked_array(data = [0.359432688656 1.64455841211 -- 1.48331773108 2.23438980788],
mask = [False False True False False],
fill_value = 1e+20) # Le résultat est un *Masked Array*
>>> m0.filled(-1) # Conversion en tableau normal
array([ 0.35943269, 1.64455841, -1. , 1.48331773, 2.23438981])

Note : Les tableaux évolués de numpy sont parfois suffisants, mais pour une utilisation avancée, il peut
être plus pertinent d’invoquer les bibliothèques dédiées Pandas et xarray.

6.1.3 Entrées/sorties
numpy peut lire – numpy.loadtxt() – ou sauvegarder – numpy.savetxt() – des tableaux (uni- ou bi-
dimensionnels) dans un simple fichier ASCII :

>>> x = N.linspace(-1, 1, 100)

>>> N.savetxt('archive_x.dat', x) # Sauvegarde dans le fichier 'archive_x.dat'
>>> y = N.loadtxt("archive_x.dat") # Relecture à partir du fichier 'archive_x.dat'
>>> (x == y).all() # Test d'égalité stricte
True

Attention : numpy.loadtxt() supporte les types composés, mais ne supporte pas les données
manquantes ; utiliser alors la fonction numpy.genfromtxt(), plus robuste mais plus lente.

Le format texte n’est pas optimal pour de gros tableaux (ou de rang > 2) : il peut alors être avantageux
d’utiliser le format binaire .npy, beaucoup plus compact (mais non human readable) :

52 Chapitre 6. Bibliothèques numériques de base

 Analyse scientifique avec Python, Version Janvier 2021

>>> x = N.linspace(-1, 1, 1e6)

>>> N.save('archive_x.npy', x) # Sauvegarde dans le fichier 'archive_x.npy'
>>> y = N.load("archive_x.npy") # Relecture à partir du fichier 'archive_x.npy'
>>> (x == y).all()
True

Il est enfin possible de sérialiser les tableaux à l’aide de la bibliothèque standard pickle.

6.1.4 Sous-modules
numpy fournit en outre quelques fonctionnalités supplémentaires, parmis lesquelles les sous-modules sui-
vants :
— numpy.fft : Discrete Fourier Transform ;
— numpy.random : valeurs aléatoires ;
— numpy.polynomial : manipulation des polynômes (racines, polynômes orthogonaux, etc.).

6.1.5 Performances

Avertissement : Premature optimization is the root of all evil – Donald Knuth

Même si numpy apporte un gain significatif en performance par rapport à du Python standard, il peut
être possible d’améliorer la vitesse d’exécution par l’utilisation de bibliothèques externes dédiées, p.ex. :
— numexpr est un évaluateur optimisé d’expressions numériques :

>>> a = N.arange(1e6)
>>> b = N.arange(1e6)
>>> %timeit a*b - 4.1*a > 2.5*b
100 loops, best of 3: 11.4 ms per loop
>>> %timeit numexpr.evaluate("a*b - 4.1*a > 2.5*b")
100 loops, best of 3: 1.97 ms per loop
>>> %timeit N.exp(-a)
10 loops, best of 3: 60.1 ms per loop
>>> timeit numexpr.evaluate("exp(-a)") # Multi-threaded
10 loops, best of 3: 19.3 ms per loop

— bottleneck est une collection de fonctions accélérées, notamment pour des tableaux contenant des
NaN ou pour des statistiques glissantes ;
— theano, pour optimiser l’évaluation des expressions mathématiques sur les tableaux numpy, no-
tamment par l’utilisation des GPU (Graphics Processing Unit) et de code C généré à la volée.
Voir également Profilage et optimisation.

6.2 Scipy

scipy est une bibliothèque numérique 1 d’algorithmes et de fonctions mathématiques, basée sur les
tableaux numpy.ndarray, complétant ou améliorant (en termes de performances) les fonctionnalités de
numpy.

Note : N’oubliez pas de citer scipy & Co. dans vos publications et présentations utilisant ces outils.

1. Python dispose également d’une bibliothèque de calcul formel, sympy, et d’un environnement de calcul mathéma-
tique, sage.

6.2. Scipy 53
Analyse scientifique avec Python, Version Janvier 2021

6.2.1 Tour d’horizon

— scipy.special : fonctions spéciales (fonctions de Bessel, erf, gamma, etc.).
— scipy.integrate : intégration numérique (intégration numérique ou d’équations différentielles).
— scipy.optimize : méthodes d’optimisation (minimisation, moindres-carrés, zéros d’une fonction,
etc.).
— scipy.interpolate : interpolation (interpolation, splines).
— scipy.fft : transformées de Fourier.
— scipy.signal : traitement du signal (convolution, corrélation, filtrage, ondelettes, etc.).
— scipy.linalg : algèbre linéaire.
— scipy.stats : statistiques (fonctions et distributions statistiques).
— scipy.ndimage : traitement d’images multi-dimensionnelles.
— scipy.io : entrées/sorties.

Liens :

— Scipy Reference
— Scipy Cookbook

Voir également :

— Scikits : modules plus spécifiques étroitement liés à scipy, parmi lesquels :

— scikit-learn : machine learning,
— scikit-image : image processing,
— statsmodel : modèles statistiques (tutorial),
— Scipy Topical softwares.

Exercices :

Quadrature et zéro d’une fonction * , Schéma de Romberg **, Méthode de Runge-Kutta **

6.2.2 Quelques exemples complets

— Interpolation (scipy.interpolate) (interpolation, lissage)
— Integration (scipy.integrate) (intégrales numériques, équations différentielles)
— odeint notebook
— Zombie Apocalypse
— Optimization (scipy.optimize) (moindres carrés, ajustements, recherche de zéros)
— Signal Processing (scipy.signal) (splines, convolution, filtrage)
— Linear Algebra (scipy.linalg) (systèmes linéaires, moindres carrés, décompositions)
— Statistics (scipy.stats) (variables aléatoires, distributions, tests)

6.3 Matplotlib

Matplotlib est une bibliothèque graphique de visualisation 2D (avec un support pour la 3D, l’animation
et l’interactivité), permettant des sorties de haute qualité « prêtes à publier ». C’est à la fois une biblio-
thèque de haut niveau, fournissant des fonctions de visualisation « clés en main » (échelle logarithmique,
histogramme, courbes de niveau, etc., voir la galerie), et de bas niveau, permettant de modifier tous
les éléments graphiques de la figure (titre, axes, couleurs et styles des lignes, etc., voir Anatomie d’une
figure).

54 Chapitre 6. Bibliothèques numériques de base

 Analyse scientifique avec Python, Version Janvier 2021

6.3.1 pylab vs. pyplot

Il existe (schématiquement) deux interfaces pour deux types d’utilisation :
— pylab : interface procédurale, originellement très similaire à MATLAB™ et généralement réservée
à l’analyse interactive :

>>> from pylab import * # DÉCONSEILLÉ DANS UN SCRIPT!

>>> x = linspace(-pi, pi, 100) # pylab importe numpy dans l'espace courant
>>> plot(x, sin(x), 'b-', label="Sinus") # Trace la courbe y = sin(x)
>>> plot(x, cos(x), 'r:', label="Cosinus") # Trace la courbe y = cos(x)
>>> xlabel("x [rad]") # Ajoute le nom de l'axe des x
>>> ylabel("y") # Ajoute le nom de l'axe des y
>>> title("Sinus et Cosinus") # Ajoute le titre de la figure
>>> legend() # Ajoute une légende
>>> savefig("simple.png") # Enregistre la figure en PNG

— matplotlib.pyplot : interface orientée objet, préférable pour les scripts :

import numpy as N
import matplotlib.pyplot as P

x = N.linspace(-N.pi, N.pi, 100)

fig, ax = P.subplots() # Création d'une figure contenant un seul système d'axes

ax.plot(x, N.sin(x), c='b', ls='-', label="Sinus") # Courbe y = sin(x)
ax.plot(x, N.cos(x), c='r', ls=':', label="Cosinus") # Courbe y = cos(x)
ax.set_xlabel("x [rad]") # Nom de l'axe des x
ax.set_ylabel("y") # Nom de l'axe des y
ax.set_title("Sinus et Cosinus") # Titre de la figure
ax.legend() # Légende
fig.savefig("simple.png") # Sauvegarde en PNG

Dans les deux cas, le résultat est le même :

Par la suite, nous nous concentrerons sur l’interface OO (Orientée Objet) matplotlib.pyplot, plus
puissante et flexible.

6.3. Matplotlib 55
Analyse scientifique avec Python, Version Janvier 2021

6.3.2 Figure et axes

L’élément de base est le système d’axes matplotlib.axes.Axes, qui définit et réalise la plupart des
éléments graphiques (tracé de courbes, définition des axes, annotations, etc.). Un ou plusieurs de ces
systèmes d’axes sont regroupés au sein d’une matplotlib.figure.Figure.
La méthode la plus simple pour générer simultanément une figure et un ou plusieurs systèmes axes est
d’utiliser la fonction de haut niveau matplotlib.pyplot.subplots(), p.ex. :

fig, ax = P.subplots() # génère une figure et un système d'axes

fig, (axG, axD) = P.subplots(nrows=1, ncols=2) # 1 fig, 2 axes en ligne

Ainsi, pour générer une figure contenant 2 (vertical) × 3 (horizontal) = 6 systèmes d’axes (numérotés
de 1 à 6) :

fig, axs = P.subplots(nrows=2, ncols=3) # 1 fig, liste de 2×3 axes

for (i, j), ax in N.ndenumerate(axs):
ax.set(xticks=[], yticks=[])
ax.text(0.5, 0.5,
f"axs[{ i} ][{ j} ]\n#{ i*axs.shape[1] + j + 1} ",
ha='center', va='center', size='large')
fig.suptitle("fig, axs = P.subplots(nrows=2, ncols=3)", fontsize='x-large')

Pour un contrôle plus fin de la disposition des systèmes d’axes dans une figure, il est possible de générer
les axes un à un via la méthode matplotlib.figure.Figure.add_subplot() :

fig = P.figure()
for i in range(1, 4):
ax = fig.add_subplot(2, 3, i, xticks=[], yticks=[])
ax.text(0.5, 0.5, f"subplot(2, 3, { i} )",
ha='center', va='center', size='large')
for i in range(3, 5):
ax = fig.add_subplot(2, 2, i, xticks=[], yticks=[])
ax.text(0.5, 0.5, f"subplot(2, 2, { i} )",
ha='center', va='center', size='large')

56 Chapitre 6. Bibliothèques numériques de base

 Analyse scientifique avec Python, Version Janvier 2021

Pour des mises en page plus complexes, il est possible d’utiliser le kit gridspec, p.ex. :

from matplotlib.gridspec import GridSpec

fig = P.figure()
fig.suptitle("grid = GridSpec(2, 3)", fontsize='x-large')

grid = GridSpec(2, 3)
ax1 = fig.add_subplot(grid[0, :-1], xticks=[], yticks=[])
ax1.text(0.5, 0.5, "grid[0, :-1]", ha='center', va='center', size='large')
ax2 = fig.add_subplot(grid[:, -1], xticks=[], yticks=[])
ax3.text(0.5, 0.5, "grid[:, -1]", ha='center', va='center', size='large')
ax3 = fig.add_subplot(grid[1, 0], xticks=[], yticks=[])
ax3.text(0.5, 0.5, "grid[1, 0]", ha='center', va='center', size='large')
ax4 = fig.add_subplot(grid[1, 1], xticks=[], yticks=[])
ax4.text(0.5, 0.5, "grid[1, 1]", ha='center', va='center', size='large')

Enfin, il est toujours possible de créer soi-même le système d’axes dans les coordonnées relatives à la
figure :

fig = P.figure()
ax0 = fig.add_axes([0, 0, 1, 1], frameon=False,
xticks=N.linspace(0, 1, 11), yticks=N.linspace(0, 1, 11))
ax0.grid(True, ls='--')
(suite sur la page suivante)

6.3. Matplotlib 57
Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

ax1 = fig.add_axes([0.1, 0.2, 0.8, 0.6], xticks=[], yticks=[], fc='0.9')
ax1.text(0.5, 0.5, "[0.1, 0.2, 0.8, 0.6]", ha='center', va='center', size='large')
ax2 = fig.add_axes([0.2, 0.3, 0.4, 0.1], xticks=[], yticks=[], fc='0.8')
ax2.text(0.5, 0.5, "[0.2, 0.3, 0.4, 0.1]", ha='center', va='center', size='large')

6.3.3 Sauvegarde et affichage interactif

La méthode matplotlib.figure.Figure.savefig() permet de sauvegarder la figure dans un fichier
dont le format est automatiquement défini par son extension, png (raster), [e]ps, pdf, svg (vector),
etc., via différents backends.
Il est également possible d’afficher la figure dans une fenêtre interactive avec la commande matplotlib.
pyplot.show() :

Note : Utiliser ipython --pylab pour l’utilisation intéractive des figures dans une session ipython.

58 Chapitre 6. Bibliothèques numériques de base

 Analyse scientifique avec Python, Version Janvier 2021

6.3.4 Anatomie d’une figure

L’interface OO matplotlib.pyplot donne accès à tous les éléments d’une figure (titre, axes, légende,
etc.), qui peuvent alors être ajustés (couleur, police, taille, etc.).

Fig. 6.1 – Figure : Anatomie d’une figure.

Note : N’oubliez pas de citer matplotlib dans vos publications et présentations utilisant cet outil.

Liens :

— User’s Guide
— Gallery
— Tutorial matplotlib
— Tutoriel matplotlib

Voir également :

— Third party packages, une liste de bibliothèques complétant matplotlib : cartographie, visualisa-
tion interactive, implémentation de la Grammar of Graphics, graphiques spécialisés, animations,
interactivité, etc.
— mpld3, un backend matplotlib interactif basé sur la bibliothèque web 3D.js ;
— Seaborn, une surcouche de visualisation statistique à matplotlib et Pandas et xarray ;
— Bokeh, une bibliothèque graphique alternative à matplotlib plus orientée web/temps réel ;
— plotext, termplotlib, pour réaliser des figures directement dans le terminal (voir également le
backend drawilleplot).

6.3. Matplotlib 59
Analyse scientifique avec Python, Version Janvier 2021

Exemples :

figure.py, filtres2ndOrdre.py

Exercices :

Quartet d’Anscombe *, Ensemble de Julia **, Diagramme de bifurcation : la suite logistique **

6.3.5 Visualisation 3D
Matplotlib fournit d’emblée une interface mplot3d pour des figures 3D assez simples :

Fig. 6.2 – Figure : Exemple de figure matplotlib 3D.

Pour des visualisations plus complexes, mayavi.mlab est une bibliothèque graphique de visualisation 3D
s’appuyant sur Mayavi.

Fig. 6.3 – Figure : Imagerie par résonance magnétique.

Note : N’oubliez pas de citer mayavi dans vos publications et présentations utilisant cet outil.

60 Chapitre 6. Bibliothèques numériques de base

 Analyse scientifique avec Python, Version Janvier 2021

Voir également :

— VPython : 3D Programming for Ordinary Mortals ;

— Glowscript : VPython dans le navigateur ;
— ipyvolume : visualisation 3D dans le notebook Jupyter.

Notes de bas de page et références bibliographiques

6.3. Matplotlib 61
Analyse scientifique avec Python, Version Janvier 2021

62 Chapitre 6. Bibliothèques numériques de base

 CHAPITRE 7

Bibliothèques scientifiques avancées

Table des matières

— Pandas et xarray
— Structures
— Accès aux données
— Manipulation des données
— Regroupement et agrégation de données
— Visualisations
— Xarray
— Autres types de tableaux
— Astropy
— Tour d’horizon (v4.0)
— Démonstration
— Autres bibliothèques scientifiques

7.1 Pandas et xarray

pandas est une bibliothèque pour la structuration et l’analyse avancée de données hétérogènes (PANel
DAta). Elle fournit notamment :
— des structures de données relationelles (« labellisées »), avec une indexation simple ou hiérarchique
(c.-à-d. à plusieurs niveaux) ;
— des méthodes d’alignement et d’agrégation des données, avec gestion des données manquantes ;
— un support performant des labels temporels (p.ex. dates, de par son origine dans le domaine de
l’économétrie), et des statistiques « glissantes » ;
— de nombreuses fonctions d’entrée/sortie, d’analyse statistiques et de visualisation.
Les fonctionnalités de pandas sont très riches et couvrent de nombreux aspects (données manquantes,
dates, analyse statistiques, etc.) : il n’est pas question de toutes les aborder ici. Avant de vous lancer dans
une manipulation qui vous semble complexe, bien inspecter la documentation, très complète (p.ex. les
recettes du Cookbook), pour vérifier qu’elle n’est pas déjà implémentée ou documentée, ou pour identifier
l’approche la plus efficace.

Note : La convention utilisée ici est « import pandas as PD ».

63
Analyse scientifique avec Python, Version Janvier 2021

Attention : La bibliothèque pandas est maintenant considérée comme stable (v1.x) mais xarray est
encore en phase de développement. Nous travaillons ici sur les versions :
— pandas 1.1
— xarray 0.16

7.1.1 Structures
Références : Intro to data structures
Pandas dispose de deux grandes structures de données 1 :

Nom de la structure Rang Description

pandas.Series 1 Vecteur de données homogènes labellisées
pandas.DataFrame 2 Tableau structuré de colonnes homogènes

>>> PD.Series(range(3)) # Série d'entiers sans indexation

0 0
1 1
2 2
dtype: int64
>>> PD.Series(N.random.randn(3), index=list('abc')) # Série de réels indexés
a -0.553480
b 0.081297
c -1.845835
dtype: float64
>>> PD.DataFrame(N.random.randn(3, 4))
0 1 2 3
0 1.570977 -0.677845 0.094364 -0.362031
1 -0.136712 0.762300 0.068611 1.265816
2 -0.697760 0.791288 0.449645 -1.105062
>>> PD.DataFrame([(1, N.exp(1), 'un'), (2, N.exp(2), 'deux'), (3, N.exp(3), 'trois')],
... index=list('abc'), columns='i val nom'.split())
i val nom
a 1 2.718282 un
b 2 7.389056 deux
c 3 20.085537 trois

Pour mettre en évidence la puissance de Pandas, nous utiliserons le catalogue des objets Messier vu
précédemment. Le fichier peut être importé à l’aide de la function pandas.read_csv(), et le dataframe
résultant est labellisé à la volée par la colonne M (pandas.DataFrame.set_index()) :

>>> messier = PD.read_csv("Messier.csv", comment='#') # Lecture du fichier CSV

>>> messier.set_index('M', inplace=True) # Indexation sur la colonne "M"
>>> messier.info() # Informations générales
<class 'pandas.core.frame.DataFrame'>
Index: 110 entries, M1 to M110
Data columns (total 10 columns):
NGC 108 non-null object
Type 110 non-null object
Mag 110 non-null float64
Size 110 non-null float64
Distance 110 non-null float64
RA 110 non-null float64
Dec 110 non-null float64
Con 110 non-null object
Season 110 non-null object
(suite sur la page suivante)

1. Les structures pandas.Panel (de rang 3), et pandas.Panel4D (de rang 4) et pandas.PanelND (de rang arbitraire) ont
été respectivement dépréciées aux versions 0.20 et 0.19. Utiliser une indexation hiérarchique ou xarray.

64 Chapitre 7. Bibliothèques scientifiques avancées

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

Name 31 non-null object
dtypes: float64(5), object(5)
memory usage: 9.5+ KB
>>> messier.head(3) # Par défaut les 5 premières lignes
NGC Type Mag Size Distance RA Dec Con Season Name
M
M1 1952 Sn 8.4 5.0 1930.0 5.575 22.017 Tau winter Crab Nebula
M2 7089 Gc 6.5 12.9 11600.0 21.558 0.817 Aqr autumn NaN
M3 5272 Gc 6.2 16.2 10400.0 13.703 28.383 CVn spring NaN

Un dataframe est caractérisé par son indexation pandas.DataFrame.index et ses colonnes pandas.
DataFrame.columns (de type pandas.Index ou pandas.MultiIndex), et les valeurs des données pandas.
DataFrame.values :

>>> messier.index # Retourne un Index

Index([u'M1', u'M2', u'M3', ..., u'M108', u'M109', u'M110'],
dtype='object', name=u'M', length=110)
>>> messier.columns # Retourne un Index
Index([u'NGC', u'Type', u'Mag', ..., u'Con', u'Season', u'Name'],
dtype='object')
>>> messier.dtypes # Retourne une Series indexée sur le nom des colonnes
NGC object
Type object
Mag float64
Size float64
Distance float64
RA float64
Dec float64
Con object
Season object
Name object
dtype: object
>>> messier.values
array([['1952', 'Sn', 8.4, ..., 'Tau', 'winter', 'Crab Nebula'],
['7089', 'Gc', 6.5, ..., 'Aqr', 'autumn', nan],
...,
['3992', 'Ba', 9.8, ..., 'UMa', 'spring', nan],
['205', 'El', 8.5, ..., 'And', 'autumn', nan]], dtype=object)
>>> messier.shape
(110, 10)

Une description statistique sommaire des colonnes numériques est obtenue par pandas.DataFrame.
describe() :

>>> messier.drop(['RA', 'Dec'], axis=1).describe()

Mag Size Distance
count 110.000000 110.000000 1.100000e+02
mean 7.492727 17.719091 4.574883e+06
std 1.755657 22.055100 7.141036e+06
min 1.600000 0.800000 1.170000e+02
25% 6.300000 6.425000 1.312500e+03
50% 7.650000 9.900000 8.390000e+03
75% 8.900000 17.300000 1.070000e+07
max 10.200000 120.000000 1.840000e+07

7.1. Pandas et xarray 65

Analyse scientifique avec Python, Version Janvier 2021

7.1.2 Accès aux données

Référence : Indexing and selecting data
L’accès par colonne retourne une pandas.Series (avec la même indexation) pour une colonne unique,
ou un nouveau pandas.DataFrame pour plusieurs colonnes :

>>> messier.NGC # Équivalent à messier['NGC']

M
M1 1952
M2 7089
...
M109 3992
M110 205
Name: NGC, Length: 110, dtype: object
>>> messier[['RA', 'Dec']] # = messier.filter(items=('RA', 'Dec'))
RA Dec
M
M1 5.575 22.017
M2 21.558 0.817
... ... ...
M109 11.960 53.383
M110 0.673 41.683
[110 rows x 2 columns]

L’accès par slice retourne un nouveau dataframe :

>>> messier[:6:2] # Lignes 0 (inclus) à 6 (exclu) par pas de 2

NGC Type Mag Size Distance RA Dec Con Season Name
M
M1 1952 Sn 8.4 5.0 1930.0 5.575 22.017 Tau winter Crab Nebula
M3 5272 Gc 6.2 16.2 10400.0 13.703 28.383 CVn spring NaN
M5 5904 Gc 5.6 17.4 7520.0 15.310 2.083 Ser summer NaN

L’accès peut également se faire par labels via pandas.DataFrame.loc :

>>> messier.loc['M31'] # Retourne une Series indexée par les noms de colonne
NGC 224
Type Sp
...
Season autumn
Name Andromeda Galaxy
Name: M31, Length: 10, dtype: object
>>> messier.loc['M31', ['Type', 'Name']] # Retourne une Series
Type Sp
Name Andromeda Galaxy
Name: M31, dtype: object
>>> messier.loc[['M31', 'M51'], ['Type', 'Name']] # Retourne un DataFrame
Type Name
M
M31 Sp Andromeda Galaxy
M51 Sp Whirlpool Galaxy
>>> messier.loc['M31':'M33', ['Type', 'Name']] # De M31 à M33 *inclu*
Type Name
M
M31 Sp Andromeda Galaxy
M32 El NaN
M33 Sp Triangulum Galaxy

De façon symétrique, l’accès peut se faire par position (n° de ligne/colonne) via pandas.DataFrame.iloc,
p.ex. :

66 Chapitre 7. Bibliothèques scientifiques avancées

 Analyse scientifique avec Python, Version Janvier 2021

>>> messier.iloc[30:33, [1, -1]] # Ici, l'indice 33 n'est PAS inclu!

Type Name
M
M31 Sp Andromeda Galaxy
M32 El NaN
M33 Sp Triangulum Galaxy
>>> messier.iloc[30:33, messier.columns.get_loc('Name')] # Mix des 2 approches
M
M31 Andromeda Galaxy
M32 NaN
M33 Triangulum Galaxy
Name: Name, dtype: object

Les fonctions pandas.DataFrame.at et pandas.DataFrame.iat permettent d’accéder rapidement aux

données individuelles :
>>> messier.at['M31', 'NGC'] # 20× plus rapide que messier.loc['M31']['NGC']
'224'
>>> messier.iat[30, 0] # 20× plus rapide que messier.iloc[30][0]
'224'

Noter qu’il existe une façon de filtrer les données sur les colonnes ou les labels :
>>> messier.filter(regex='M.7', axis='index').filter('RA Dec'.split())
RA Dec
M
M17 18.347 -16.183
M27 19.993 22.717
M37 5.873 32.550
M47 7.610 -14.500
M57 18.893 33.033
M67 8.840 11.817
M77 2.712 0.033
M87 12.513 12.400
M97 11.247 55.017

Comme pour numpy, il est possible d’opérer une sélection booléenne :

>>> messier.loc[messier['Con'] == 'UMa', ['NGC', 'Name']]
NGC Name
M
M40 Win4 Winnecke 4
M81 3031 Bode's Galaxy
M82 3034 Cigar Galaxy
M97 3587 Owl Nebula
M101 5457 Pinwheel Galaxy
M108 3556 NaN
M109 3992 NaN
>>> messier[messier['Season'].isin('winter spring'.split())].head(3)
NGC Type Mag Size Distance RA Dec Con Season Name
M
M1 1952 Sn 8.4 5.0 1930.0 5.575 22.017 Tau winter Crab Nebula
M3 5272 Gc 6.2 16.2 10400.0 13.703 28.383 CVn spring NaN
M35 2168 Oc 5.3 28.0 859.0 6.148 24.333 Gem winter NaN
>>> messier.loc[lambda df: N.radians(df.Size / 60) * df.Distance < 1].Name
M
M27 Dumbbell Nebula
M40 Winnecke 4
M57 Ring Nebula
M73 NaN
M76 Little Dumbbell Nebula
M78 NaN
(suite sur la page suivante)

7.1. Pandas et xarray 67

Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

M97 Owl Nebula
Name: Name, dtype: object

La méthode pandas.DataFrame.query() permet de faire des sélections avancées et rapides :

>>> minsize = 80
>>> messier.query("Mag < Mag.mean() and Size > @minsize and Name").Name
M
M24 Sagittarius Star Cloud
M31 Andromeda Galaxy
M44 Beehive Cluster
M45 Pleiades
Name: Name, dtype: object

Sélection Syntaxe Résultat

Colonne unique df.col or df[col] pandas.Series
Liste de colonnes df[[c1, ...]] pandas.DataFrame
Lignes par tranche df[slice] pandas.DataFrame
Label unique df.loc[label] pandas.Series
Liste de labels df.loc[[lab1, ...]] pandas.DataFrame
Labels par tranche df.loc[lab1:lab2] pandas.DataFrame
Ligne entière par n° df.iloc[i] pandas.Series
Ligne partielle par n° df.iloc[i, [j,...]] pandas.Series
Valeur par labels df.at[lab, col] Scalaire
Valeur par n° df.iat[i, j] Scalaire
Ligne par sél. booléenne df.loc[sel] or df[sel] or df.query("sel") pandas.DataFrame

pandas.DataFrame.drop() permet d’éliminer une ou plusieurs colonnes d’un dataframe :

>>> messier.drop(['RA', 'Dec'], axis=1).head(3) # Élimination de colonnes

NGC Type Mag Size Distance Con Season Name
M
M1 1952 Sn 8.4 5.0 1930.0 Tau winter Crab Nebula
M2 7089 Gc 6.5 12.9 11600.0 Aqr autumn NaN
M3 5272 Gc 6.2 16.2 10400.0 CVn spring NaN

pandas.DataFrame.dropna() et pandas.DataFrame.fillna() permettent de gérer les données man-

quantes (NaN ) :

>>> messier.dropna(axis=0, how='any', subset=['NGC', 'Name']).head(3)

NGC Type Mag Size Distance RA Dec Con Season Name
M
M1 1952 Sn 8.4 5.0 1930.0 5.575 22.017 Tau winter Crab Nebula
M6 6405 Oc 4.2 25.0 491.0 17.668 -32.217 Sco summer Butterfly Cluster
M7 6475 Oc 3.3 80.0 245.0 17.898 -34.817 Sco summer Ptolemy's Cluster
>>> messier.fillna('', inplace=True) # Remplace les NaN à la volée
>>> messier.head(3)
NGC Type Mag Size Distance RA Dec Con Season Name
M
M1 1952 Sn 8.4 5.0 1930.0 5.575 22.017 Tau winter Crab Nebula
M2 7089 Gc 6.5 12.9 11600.0 21.558 0.817 Aqr autumn
M3 5272 Gc 6.2 16.2 10400.0 13.703 28.383 CVn spring

Référence : Working with missing data

Attention : par défaut, beaucoup d’opérations retournent une copie de la structure, sauf si l’opé-
ration se fait « sur place » (inplace=True). D’autres opérations d’accès retournent seulement une
nouvelle vue des mêmes données.

68 Chapitre 7. Bibliothèques scientifiques avancées

 Analyse scientifique avec Python, Version Janvier 2021

>>> df = PD.DataFrame(N.arange(12).reshape(3, 4),

... index=list('abc'), columns=list('ABCD')); df
A B C D
a 0 1 2 3
b 4 5 6 7
c 8 9 10 11
>>> df.drop('a', axis=0)
A B C D
b 4 5 6 7
c 8 9 10 11
>>> colA = df['A'] # Nouvelle vue de la colonne 'A'
>>> colA += 1 # Opération sur place
>>> df # la ligne 'a' est tjs là, la colonne 'A' a été modifiée
A B C D
a 1 1 2 3
b 5 5 6 7
c 9 9 10 11

Lien : Returning a view versus a copy

Indéxation hiérarchique

Références : MultiIndex / advanced indexing

pandas.MultiIndex offre une indexation hiérarchique, permettant de stocker et manipuler des données
avec un nombre arbitraire de dimensions dans des structures plus simples.
>>> saisons = messier.reset_index() # Élimine l'indexation actuelle
>>> saisons.set_index(['Season', 'Type'], inplace=True) # MultiIndex
>>> saisons.head(3)
M NGC Mag Size Distance RA Dec Con Name
Season Type
winter Sn M1 1952 8.4 5.0 1930.0 5.575 22.017 Tau Crab Nebula
autumn Gc M2 7089 6.5 12.9 11600.0 21.558 0.817 Aqr
spring Gc M3 5272 6.2 16.2 10400.0 13.703 28.383 CVn

Les informations contenues sont toujours les mêmes, mais structurées différemment :
>>> saisons.loc['spring'].head(3) # Utilisation du 1er label
M NGC Mag Size Distance RA Dec Con Name
Type
Gc M3 5272 6.2 16.2 10400.0 13.703 28.383 CVn
Ds M40 Win4 8.4 0.8 156.0 12.373 58.083 UMa Winnecke 4
El M49 4472 8.4 8.2 18400000.0 12.497 8.000 Vir
>>> saisons.loc['spring', 'El'].head(3) # Utilisation des 2 labels
M NGC Mag Size Distance RA Dec Con Name
Season Type
spring El M49 4472 8.4 8.2 18400000.0 12.497 8.00 Vir
El M59 4621 9.6 4.2 18400000.0 12.700 11.65 Vir
El M60 4649 8.8 6.5 18400000.0 12.728 11.55 Vir

La fonction pandas.DataFrame.xs() permet des sélections sur les différents niveaux d’indexation :
>>> saisons.xs('spring', level='Season').head(3) # = saisons.loc['spring']
M NGC Mag Size Distance RA Dec Con Name
Type
Gc M3 5272 6.2 16.2 10400.0 13.703 28.383 CVn
Ds M40 Win4 8.4 0.8 156.0 12.373 58.083 UMa Winnecke 4
El M49 4472 8.4 8.2 18400000.0 12.497 8.000 Vir
>>> saisons.xs('El', level='Type').head(3) # Sélection sur le 2e niveau
M NGC Mag Size Distance RA Dec Con Name
(suite sur la page suivante)

7.1. Pandas et xarray 69

Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

Season
autumn M32 221 8.1 7.0 920000.0 0.713 40.867 And
spring M49 4472 8.4 8.2 18400000.0 12.497 8.000 Vir
spring M59 4621 9.6 4.2 18400000.0 12.700 11.650 Vir

Le (multi-)index n’est pas nécessairement trié à sa création, pandas.sort_index() permet d’y remédier :
>>> saisons[['M', 'NGC', 'Name']].head()
M NGC Name
Season Type
winter Sn M1 1952 Crab Nebula
autumn Gc M2 7089
spring Gc M3 5272
summer Gc M4 6121
Gc M5 5904
>>> saisons[['M', 'NGC', 'Name']].sort_index().head()
M NGC Name
Season Type
autumn El M32 221
El M110 205
Gc M2 7089
Gc M15 7078 Great Pegasus Globular
Gc M30 7099

7.1.3 Manipulation des données

Références : Essential basic functionality
Comme dans numpy, il est possible de modifier les valeurs, ajouter/retirer des colonnes ou des lignes,
tout en gérant les données manquantes.

Note : l’interopérabilité entre pandas et numpy est totale, toutes les fonctions Numpy peuvent prendre
une structure Pandas en entrée, et s’appliquer aux colonnes appropriées :
>>> N.mean(messier, axis=0) # Moyenne sur les lignes → Series indexée sur les colonnes
Mag 7.492727e+00
Size 1.771909e+01
Distance 4.574883e+06
RA 1.303774e+01
Dec 9.281782e+00
dtype: float64

>>> N.random.seed(0)
>>> df = PD.DataFrame(
{'one': PD.Series(N.random.randn(3), index=['a', 'b', 'c']),
'two': PD.Series(N.random.randn(4), index=['a', 'b', 'c', 'd']),
'three': PD.Series(N.random.randn(3), index=['b', 'c', 'd'])})
>>> df
one three two
a 1.764052 NaN 2.240893
b 0.400157 -0.151357 1.867558
c 0.978738 -0.103219 -0.977278
d NaN 0.410599 0.950088
>>> df['four'] = df['one'] + df['two']; df # Création d'une nouvelle colonne
one three two four
a 1.764052 NaN 2.240893 4.004946
b 0.400157 -0.151357 1.867558 2.267715
c 0.978738 -0.103219 -0.977278 0.001460
(suite sur la page suivante)

70 Chapitre 7. Bibliothèques scientifiques avancées

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

d NaN 0.410599 0.950088 NaN
>>> df.sub(df.loc['b'], axis='columns') # Soustraction d'une ligne à toutes les colonnes␣
˓→(axis=1)

one three two four

a 1.363895 NaN 0.373335 1.737230
b 0.000000 0.000000 0.000000 0.000000
c 0.578581 0.048138 -2.844836 -2.266255
d NaN 0.561956 -0.917470 NaN
>>> df.sub(df['one'], axis='index') # Soustraction d'une colonne à toutes les lignes (axis=0␣
˓→ou 'rows')

one three two four

a 0.0 NaN 0.476841 2.240893
b 0.0 -0.551514 1.467401 1.867558
c 0.0 -1.081957 -1.956016 -0.977278
d NaN NaN NaN NaN

>>> df.sort_values(by='a', axis=1) # Tri des colonnes selon les valeurs de la ligne 'a'
one two three
a 1.764052 2.240893 NaN
b 0.400157 1.867558 -0.151357
c 0.978738 -0.977278 -0.103219
d NaN 0.950088 0.410599
>>> df.min(axis=1) # Valeur minimale le long des colonnes
a 1.764052
b -0.151357
c -0.977278
d 0.410599
dtype: float64
>>> df.idxmin(axis=1) # Colonne des valeurs minimales le long des colonnes
a one
b three
c two
d three
dtype: object

>>> df.mean(axis=0) # Moyenne sur toutes les lignes (gestion des données manquantes)
one 1.047649
three 0.052007
two 1.020315
dtype: float64

Note : Si les bibliothèques d’optimisation de performances bottleneck et numexpr sont installées, pandas
en bénéficiera de façon transparente.

7.1.4 Regroupement et agrégation de données

Histogramme et discrétisation

Compter les objets Messier par constellation avec pandas.value_counts() :

>>> PD.value_counts(messier['Con']).head(3)
Sgr 15
Vir 11
Com 8
Name: Con, dtype: int64

Partitionner les objets en 3 groupes de magnitude (par valeurs : pandas.cut(), par quantiles : pandas.
qcut()), et les compter :

7.1. Pandas et xarray 71

Analyse scientifique avec Python, Version Janvier 2021

>>> PD.value_counts(PD.cut(messier['Mag'], 3)).sort_index() # Par valeurs

(1.591, 4.467] 6
(4.467, 7.333] 40
(7.333, 10.2] 64
Name: Mag, dtype: int64
>>> PD.value_counts(PD.qcut(messier['Mag'], [0, .3, .6, 1])).sort_index() # Par quantiles
(1.599, 6.697] 36
(6.697, 8.4] 38
(8.4, 10.2] 36
Name: Mag, dtype: int64

Group-by

Référence : Group by: split-apply-combine

Pandas offre la possibilité de regrouper les données selon divers critères (pandas.DataFrame.groupby()),
de les agréger au sein de ces groupes et de stocker les résultats dans une structure avec indéxation
hiérarchique (pandas.DataFrame.agg()).

>>> seasonGr = messier.groupby('Season') # Retourne un DataFrameGroupBy

>>> seasonGr.groups
{'autumn': Index([u'M2', u'M15', ..., u'M103', u'M110'],
dtype='object', name=u'M'),
'spring': Index([u'M3', u'M40', ..., u'M108', u'M109'],
dtype='object', name=u'M'),
'summer': Index([u'M4', u'M5', ..., u'M102', u'M107'],
dtype='object', name=u'M'),
'winter': Index([u'M1', u'M35', ..., u'M79', u'M93'],
dtype='object', name=u'M')}
>>> seasonGr.size()
Season
autumn 14
spring 38
summer 40
winter 18
dtype: int64
>>> seasonGr.get_group('winter').head(3)
Con Dec Distance Mag NGC Name RA Size Type
M
M1 Tau 22.017 1930.0 8.4 1952 Crab Nebula 5.575 5.0 Sn
M35 Gem 24.333 859.0 5.3 2168 6.148 28.0 Oc
M36 Aur 34.133 1260.0 6.3 1960 5.602 12.0 Oc
>>> seasonGr['Size'].agg([N.mean, N.std]) # Taille moyenne et stddev par groupe
mean std
Season
autumn 24.307143 31.472588
spring 7.197368 4.183848
summer 17.965000 19.322400
winter 34.261111 29.894779
>>> seasonGr.agg({'Size': N.max, 'Mag': N.min})
Mag Size
Season
autumn 3.4 120.0
spring 6.2 22.0
summer 3.3 90.0
winter 1.6 110.0

>>> magGr = messier.groupby(

... [PD.qcut(messier['Mag'], [0, .3, .6, 1],
... labels='Bright Medium Faint'.split()),
(suite sur la page suivante)

72 Chapitre 7. Bibliothèques scientifiques avancées

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

... "Season"])
>>> magGr['Mag', 'Size'].agg({'Mag': ['count', 'mean'],
... 'Size': [N.mean, N.std]})
Mag Size
count mean mean std
Mag Season
Bright autumn 6 5.316667 45.200000 40.470878
spring 1 6.200000 16.200000 NaN
summer 15 5.673333 30.840000 26.225228
winter 13 5.138462 42.923077 30.944740
Faint autumn 4 9.225000 8.025000 4.768910
spring 30 9.236667 5.756667 2.272578
summer 7 8.971429 7.814286 9.135540
winter 3 8.566667 9.666667 6.429101
Medium autumn 4 7.500000 9.250000 3.304038
spring 7 7.714286 12.085714 5.587316
summer 18 7.366667 11.183333 4.825453
winter 2 7.550000 14.850000 8.697413

Tableau croisé (Pivot table)

Référence : Reshaping and pivot tables

Calculer la magnitude et la taille moyennes des objets Messier selon leur type avec pandas.DataFrame.
pivot_table() :

>>> messier['Mag Size Type'.split()].pivot_table(columns='Type')

Type As Ba Di ... Pl Sn Sp
Mag 9.0 9.85 7.216667 ... 9.050 8.4 8.495652
Size 2.8 4.80 33.333333 ... 3.425 5.0 15.160870

7.1.5 Visualisations

Exemple :

Démonstration Pandas/Seaborn (pokemon.ipynb) sur le jeu de données Pokemon.csv.

Références :

— Visualization
— Seaborn: statistical data visualization

Autres exemples de visualisation de jeux de données complexes (utilisation de pandas et seaborn)

— Iris Dataset
— Histoire des sujets télévisés

7.1. Pandas et xarray 73

Analyse scientifique avec Python, Version Janvier 2021

Liens

— Pandas tutorials
— Pandas Cookbook
— Pandas Lessons for New Users
— Practical Data Analysis

Exercices :

— Exercices for New Users

Voir également :

— geopandas : extension pour des opérations spatiales sur des formes géométriques

7.1.6 Xarray
xarray est une bibliothèque pour la structuration de données homogènes de dimension arbitraire. Suivant
la philosophie de la bibliothèque Pandas dont elle est issue (et dont elle dépend), elle permet notamment
de nommer les différentes dimensions (axes) des tableaux (p.ex. x.sum(axis='time')), d’indexer les
données (p.ex. x.loc['M31']), de naturellement gérer les opérations de broadcasting, des opérations de
regroupement et d’agrégation (p.ex. x.groupby(time.dayofyear).mean()), une gestion plus facile des
données manquantes et d’alignement des tableaux indexés (p.ex. align(x, y, join='outer')).
pandas excels at working with tabular data. That suffices for many statistical analyses, but
physical scientists rely on N-dimensional arrays – which is where xarray comes in.
xarray fournit deux structures principales, héritées du format netCDF :
— xarray.DataArray, un tableau N-D indexé généralisant le pandas.Series ;
— xarray.Dataset, un dictionnaire regroupant plusieurs DataArray alignés selon une ou plusieurs
dimensions, et similaire au pandas.DataFrame.

Note : La convention utilisée ici est « import xarray as X ».

>>> N.random.seed(0)
>>> data = X.DataArray(N.arange(3*4, dtype=float).reshape((3, 4)), # Tableau de données
... dims=('x', 'y'), # Nom des dimensions
... coords={'x': list('abc')}, # Indexation des coordonnées en 'x'
... name='mesures', # Nom du tableau
... attrs=dict(author='Y. Copin')) # Métadonnées
>>> data
<xarray.DataArray 'mesures' (x: 3, y: 4)>
array([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.]])
Coordinates:
* x (x) <U1 'a' 'b' 'c'
Dimensions without coordinates: y
Attributes:
author: Y. Copin
>>> data.to_pandas() # Conversion en DataFrame à indexation simple
y 0 1 2 3
x
a 0.0 1.0 2.0 3.0
b 4.0 5.0 6.0 7.0
c 8.0 9.0 10.0 11.0
>>> data.to_dataframe() # Conversion en DataFrame multi-indexé (hiérarchique)
mesures
(suite sur la page suivante)

74 Chapitre 7. Bibliothèques scientifiques avancées

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

x y
a 0 0.0
1 1.0
2 2.0
3 3.0
b 0 4.0
1 5.0
2 6.0
3 7.0
c 0 8.0
1 9.0
2 10.0
3 11.0
>>> data.dims
('x', 'y')
>>> data.coords
Coordinates:
* x (x) <U1 'a' 'b' 'c'
>>> data.values
array([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.]])
>>> data.attrs
OrderedDict([('author', 'Y. Copin')])

>>> data[:, 1] # Accès par indices

<xarray.DataArray 'mesures' (x: 3)>
array([ 1., 5., 9.])
Coordinates:
* x (x) <U1 'a' 'b' 'c'
>>> data.loc['a':'b', -1] # Accès par labels
<xarray.DataArray 'mesures' (x: 2)>
array([ 3., 7.])
Coordinates:
* x (x) <U1 'a' 'b'
>>> data.sel(x=['a', 'c'], y=2)
<xarray.DataArray 'mesures' (x: 2)>
array([ 2., 10.])
Coordinates:
* x (x) <U1 'a' 'c'

>>> data.mean(dim='x') # Moyenne le long de la dimension 'x' = data.mean(axis=0)

<xarray.DataArray 'mesures' (y: 4)>
array([ 4., 5., 6., 7.])
Dimensions without coordinates: y

>>> data2 = X.DataArray(N.arange(6).reshape(2, 3) * 10,

... dims=('z', 'x'), coords={'x': list('abd')})
>>> data2.to_pandas()
x a b d
z
0 0 10 20
1 30 40 50
>>> data.to_pandas() # REMINDER
y 0 1 2 3
x
a 0.0 1.0 2.0 3.0
b 4.0 5.0 6.0 7.0
c 8.0 9.0 10.0 11.0
>>> data2.values + data.values # Opération sur des tableaux numpy incompatibles
(suite sur la page suivante)

7.1. Pandas et xarray 75

Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

ValueError: operands could not be broadcast together with shapes (2,3) (3,4)
>>> data2 + data # Alignement automatique sur les coord. communes!
<xarray.DataArray (z: 2, x: 2, y: 4)>
array([[[ 0., 1., 2., 3.],
[ 14., 15., 16., 17.]],
[[ 30., 31., 32., 33.],
[ 44., 45., 46., 47.]]])
Coordinates:
* x (x) object 'a' 'b'
Dimensions without coordinates: z, y

>>> data['isSmall'] = data.sum(dim='y') < 10; data # Booléen "Somme sur y < 10"
<xarray.DataArray 'mesures' (x: 3, y: 4)>
array([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.]])
Coordinates:
* x (x) <U1 'a' 'b' 'c'
isSmall (x) bool True False False
Dimensions without coordinates: y
>>> data.groupby('isSmall').mean(dim='x') # Regroupement et agrégation
<xarray.DataArray 'mesures' (isSmall: 2, y: 4)>
array([[ 6., 7., 8., 9.],
[ 0., 1., 2., 3.]])
Coordinates:
* isSmall (isSmall) object False True
Dimensions without coordinates: y

Exemples plus complexes :

— Examples

Note : N’oubliez pas de citer xarray dans vos publications et présentations.

7.1.7 Autres types de tableaux

Il existe de nombreuses autres bibliothèques proposant des tableaux avancés avec une syntaxe de type
numpy, p.ex. :
— awkward1 : tableaux hétérogènes de taille variable avec données manquantes,
— cupy : tableaux sur GPU via CUDA,
— sparse : tableaux clairsemés,
— etc.
Voir Beyond Numpy Arrays in Python pour une discussion.

7.2 Astropy
astropy est une bibliothèque astronomique maintenue par la communauté et visant à fédérer les efforts
jusque là disparates. Elle offre en outre une interface unifiée à des bibliothèques affiliées plus spécifiques.

76 Chapitre 7. Bibliothèques scientifiques avancées

 Analyse scientifique avec Python, Version Janvier 2021

7.2.1 Tour d’horizon (v4.0)

— Structures de base :
— astropy.constants : constantes fondamentales (voir également scipy.constants) ;
— astropy.units : unités et quantités dimensionnées ;
— astropy.nddata : extension des numpy.ndarray (incluant métadonnées, masque, unité, incer-
titude, etc.) ;
— astropy.table : tableaux hétérogènes ;
— astropy.time : manipulation du temps et des dates ;
— astropy.timeseries : manipulation de séries temporelles ;
— astropy.coordinates : systèmes de coordonnées ;
— astropy.wcs : World Coordinate System ;
— astropy.modeling : modèles et ajustements ;
— astropy.uncertainty : manipulation d’incertitudes.
— Entrées/sorties :
— astropy.io.fits : fichiers FITS ;
— astropy.io.ascii : tables ASCII ;
— astropy.io.votable : XML Virtual Observatory tables ;
— astropy.io.misc : divers ;
— astropy.vo : accès au Virtual Observatory.
— Calculs astronomiques :
— astropy.cosmology : calculs cosmologiques ;
— astropy.convolution : convolution et filtrage ;
— astropy.visualization : visualisation de données ;
— astropy.stats : méthodes astrostatistiques.

7.2.2 Démonstration
Démonstration Astropy (astropy.ipynb)

Voir également :

— AstroBetter tutorials

Note : N’oubliez pas de citer [Astropy13] ou de mentionner l’utilisation d’astropy dans vos publications
et présentations.

7.3 Autres bibliothèques scientifiques

Python est maintenant très largement utilisé par la communauté scientifique, et dispose d’innombrables
bibliothèques dédiées aux différents domaines de l’analyse statistique de données, physique, chimie, etc. :
— Analyse et visualisation interactives de données : Veusz ;
— Propagation des incertitudes : uncertainties ;
— Ajustement & optimisation (statistiques fréquentistes) : iminuit, kafe, zfit (basé sur TensorFlow)) ;
— Analyse statistique bayesienne : PyStan ;
— Markov Chain Monte-Carlo : emcee, pymc3 ;
— Machine Learning : mlpy, milk, mdp, Keras et autres modules d’intelligence artificielle ;
— Astronomie : Kapteyn, AstroML, HyperSpy ;
— Mécanique quantique : QuTiP ;
— Électromagnétisme : EMpy ;
— Optique physique : Physical Optics Propagation in PYthon, OpticsPy ;
— PDE solver : FiPy, SfePy ;
— Calcul symbolique : sympy (voir également ce tutoriel sympy) et sage ;
— pyroot & rootpy ;

7.3. Autres bibliothèques scientifiques 77

Analyse scientifique avec Python, Version Janvier 2021

— High Performance Computing in Python ;

— Etc.

Notes de bas de page et références bibliographiques

78 Chapitre 7. Bibliothèques scientifiques avancées

 CHAPITRE 8

Développer en Python

Table des matières

— Le zen du Python
— Us et coutumes
— Principes de conception logicielle
— Développement piloté par les tests
— Outils de développement
— Integrated Development Environment
— Vérification du code
— Débogage
— Profilage et optimisation
— Documentation
— Python packages
— Système de gestion de versions
— Intégration continue

8.1 Le zen du Python

Le zen du Python (PEP 20) est une série de 20 aphorismes 1 donnant les grands principes du Python :

>>> import this

1. Beautiful is better than ugly.

2. Explicit is better than implicit.
3. Simple is better than complex.
4. Complex is better than complicated.
5. Flat is better than nested.
6. Sparse is better than dense.
7. Readability counts.
8. Special cases aren’t special enough to break the rules.
1. Dont seulement 19 ont été écrits.

79
Analyse scientifique avec Python, Version Janvier 2021

9. Although practicality beats purity.

10. Errors should never pass silently.
11. Unless explicitly silenced.
12. In the face of ambiguity, refuse the temptation to guess.
13. There should be one– and preferably only one –obvious way to do it.
14. Although that way may not be obvious at first unless you’re Dutch.
15. Now is better than never.
16. Although never is often better than right now.
17. If the implementation is hard to explain, it’s a bad idea.
18. If the implementation is easy to explain, it may be a good idea.
19. Namespaces are one honking great idea – let’s do more of those !

Une traduction libre en français :

1. Préfèrer le beau au laid,
2. . . . l’explicite à l’implicite
3. . . . le simple au complexe,
4. . . . le complexe au compliqué,
5. . . . le déroulé à l’imbriqué,
6. . . . l’aéré au compact.
7. La lisibilité compte.
8. Les cas particuliers ne le sont jamais assez pour violer les règles,
9. . . . même s’il faut privilégier la praticité à la pureté.
10. Ne jamais passer les erreurs sous silence,
11. . . . ou les faire taire explicitement.
12. En cas d’ambiguïté, résister à la tentation de deviner.
13. Il devrait y avoir une – et de préférence une seule – façon évidente de procéder,
14. . . . même si cette façon n’est pas évidente à première vue, à moins d’être Hollandais.
15. Mieux vaut maintenant que jamais,
16. . . . même si jamais est souvent préférable à immédiatement.
17. Si l’implémentation s’explique difficilement, c’est une mauvaise idée.
18. Si l’implémentation s’explique facilement, c’est peut-être une bonne idée.
19. Les espaces de noms sont une sacrée bonne idée, utilisons-les plus souvent !

8.1.1 Us et coutumes
— Keep it simple, stupid !
— Don’t repeat yourself.
— Fail early, fail often, fail better ! (raise)
— Easier to Ask for Forgiveness than Permission (try ... except)
— We’re all consenting adults here. (attributs privés)

Quelques conseils supplémentaires :

— « Don’t reinvent the wheel, unless you plan on learning more about wheels » (Jeff Atwood) :
cherchez si ce que vous voulez faire n’a pas déjà été fait (éventuellement en mieux. . . ) pour vous
concentrer sur votre valeur ajoutée, réutilisez le code (en citant évidemment vos sources), améliorez
le, et contribuez en retour si possible !
— Écrivez des programmes pour les humains, pas pour les ordinateurs : codez proprement, structurez
vos algorithmes, commentez votre code, utilisez des noms de variable qui ont un sens, soignez le
style et le formatage, etc.

80 Chapitre 8. Développer en Python

 Analyse scientifique avec Python, Version Janvier 2021

— Code is read far more often than it is written. Ne croyez pas que vous ne relirez jamais votre code
(ou même que personne n’aura jamais à le lire), ou que vous aurez le temps de le refaire mieux
plus tard. . .
— You ain’t gonna need it : se concentrer sur les fonctionnalités nécessaires plutôt que de prévoir
d’emblée l’ensemble des cas.
— « Premature optimization is the root of all evil » (Donald Knuth) : mieux vaut un code lent
mais juste et maintenable qu’un code rapide et faux ou incompréhensible. Dans l’ordre absolu des
priorités :
1. Make it work.
2. Make it right.
3. Make it fast.
— Respectez le zen du python, il vous le rendra.

Voir également :

— le Style Guide for Python Code (PEP 8)

— Google Python Style Guide
— The Best of the Best Practices (BOBP) Guide for Python
— The hitchhiker’s guide to Python Code Style
— les secrets d’un code pythonique

8.1.2 Principes de conception logicielle

La bonne conception d’un programme va permettre de gérer efficacement la complexité des algorithmes,
de faciliter la maintenance (p.ex. correction des erreurs) et d’accroître les possibilités d’extension.
Modularité Le code est structuré en répertoires, fichiers, classes, méthodes et fonctions. Les blocs
ne font pas plus de quelques dizaines de lignes, les fonctions ne prennent que quelques arguments,
la structure logique n’est pas trop complexe, etc.
En particulier, le code doit respecter le principe de responsabilité unique : chaque entité élémentaire
(classe, méthode, fonction) ne doit avoir qu’une unique raison d’exister, et ne pas tenter d’effectuer
plusieurs tâches sans rapport direct (p.ex. lecture d’un fichier de données et analyse des données).
Flexibilité Une modification du comportement du code (p.ex. l’ajout d’une nouvelle fonctionnalité)
ne nécessite de changer le code qu’en un nombre restreint de points.
Un code rigide devient rapidement difficile à faire évoluer, puisque chaque changement requiert
un grand nombre de modifications.
Robustesse La modification du code en un point ne change pas de façon inopinée le comportement
dans une autre partie a priori non reliée.
Un code fragile est facile à modifier, mais chaque modification peut avoir des conséquences inat-
tendues et le code tend à devenir instable.
Réutilisabilité La réutilisation d’une portion de code ne demande pas de changement majeur, n’in-
troduit pas trop de dépendances, et ne conduit pas à une duplication du code.
L’application de ces principes de développement dépend évidemment de l’objectif final du code :
— une bibliothèque de bas niveau, utilisée par de nombreux programmes (p.ex. numpy), favorisera la
robustesse et la réutilisabilité aux dépends de la flexibilité : elle devra être particulièrement bien
pensée, et ne pourra être modifiée qu’avec parcimonie ;
— inversement, un script d’analyse de haut niveau, d’utilisation restreinte, pourra être plus flexible
mais plus fragile et peu réutilisable.

8.1. Le zen du Python 81

Analyse scientifique avec Python, Version Janvier 2021

8.2 Développement piloté par les tests

Le Test Driven Development (TDD, ou en français « développement piloté par les tests ») est une méthode
de programmation qui permet d’éviter des bogues a priori plutôt que de les résoudre a posteriori. Ce n’est
pas une méthode propre à Python, elle est utilisée très largement par les programmeurs professionnels.
Le cycle préconisé par TDD comporte cinq étapes :
1. Écrire un premier test ;
2. Vérifier qu’il échoue (puisque le code qu’il teste n’existe pas encore), afin de s’assurer que le test
est valide et exécuté ;
3. Écrire un code minimal pour passer le test ;
4. Vérifier que le test passe correctement ;
5. Éventuellement « réusiner » le code (refactoring), c’est-à-dire l’améliorer (rapidité, lisibilité) tout
en gardant les mêmes fonctionnalités.
«~Diviser pour mieux régner~» : chaque fonction, classe ou méthode est testée indépendemment. Ainsi,
lorsqu’un nouveau morceau de code ne passe pas les tests qui y sont associés, il est certain que l’erreur
provient de cette nouvelle partie et non des fonctions ou objets que ce morceau de code utilise. On
distingue ainsi hiérarchiquement :
1. Les tests unitaires vérifient individuellement chacune des fonctions, méthodes, etc. ;
2. Les tests d’intégration évaluent les interactions entre différentes unités du programmes ;
3. Les tests système assurent le bon fonctionnement du programme dans sa globalité.
Il est très utile de transformer toutes les vérifications réalisées au cours du développement et du débogage
sous forme de tests, ce qui permet de les réutiliser lorsque l’on veut compléter ou améliorer une partie
du code. Si le nouveau code passe toujours les anciens tests, on est alors sûr de ne pas avoir cassé les
fonctionnalités précédentes (régréssions).
Nous avons déjà vu aux TD précédents plusieurs façons de rédiger des tests unitaires.
— Un doctest est un exemple (assez simple) d’exécution de code inclus dans la docstring d’une classe
ou d’une fonction :

1 def mean_power(alist, power=1):

2 r"""
3 Retourne la racine `power` de la moyenne des éléments de `alist` à
4 la puissance `power`:
5

6 .. math:: \mu = (\frac{1}{N}\sum_{i=0}^{N-1} x_i^p)^{1/p}

7

8 `power=1` correspond à la moyenne arithmétique, `power=2` au *Root

9 Mean Squared*, etc.
10

11 Exemples:
12 >>> mean_power([1, 2, 3])
13 2.0
14 >>> mean_power([1, 2, 3], power=2)
15 2.160246899469287
16 """
17

18 # *mean* = (somme valeurs**power / nb valeurs)**(1/power)

19 mean = (sum( val ** power for val in alist ) / len(alist)) ** (1 / power)
20

21 return mean

Les doctests peuvent être exécutés de différentes façons (voir ci-dessous) :

— avec le module standard doctest : python -m doctest -v mean_power.py
— avec pytest : py.test --doctest-modules -v mean_power.py
— avec nose : nosetests --with-doctest -v mean_power.py

82 Chapitre 8. Développer en Python

 Analyse scientifique avec Python, Version Janvier 2021

— Les fonctions dont le nom commence par test_ et contenant des assert sont automatiquement
détectées par pytest 2 . Cette méthode permet d’effectuer des tests plus poussés que les doctests,
éventuellement dans un fichier séparé du code à tester. P.ex. :

1 def test_empty_init():
2 with pytest.raises(TypeError):
3 Animal()
4

6 def test_wrong_init():
7 with pytest.raises(ValueError):
8 Animal('Youki', 'lalala')
9

10

11 def test_init():
12 youki = Animal('Youki', 600)
13 assert youki.masse == 600
14 assert youki.vivant
15 assert not youki.empoisonne

Les tests sont exécutés via py.test programme.py .

— Le module unittest de la bibliothèque standard permet à peu près la même chose que pytest,
mais avec une syntaxe souvent plus lourde. unittest est étendu par le module non-standard nose.

8.3 Outils de développement

Je fournis ici essentiellement des liens vers des outils pouvant être utiles pour développer en Python.

8.3.1 Integrated Development Environment

— idle, l’IDE intégré à Python
— emacs + python-mode pour l’édition, et ipython pour l’execution de code (voir Python Program-
ming In Emacs)
— spyder
— pyCharm (la version community est gratuite)
— eclipse-pydev
— Visual Studio
— 10 Best Python IDE & Code Editors
— List of IDEs for Python

8.3.2 Vérification du code

Il s’agit d’outils permettant de vérifier a priori la validité stylistique et syntaxique du code, de mettre
en évidence des constructions dangereuses, les variables non-définies, etc. Ces outils ne testent pas né-
cessairement la validité des algorithmes et de leur mise en oeuvre. . .
— pycodestyle (ex-pep8) et autopep8
— pyflakes
— pychecker
— pylint
2. pytest ne fait pas partie de la bibliothèque standard. Il vous faudra donc l’installer indépendemment si vous voulez
l’utiliser.

8.3. Outils de développement 83

Analyse scientifique avec Python, Version Janvier 2021

8.3.3 Débogage
Les débogueurs permettent de se « plonger » dans un code en cours d’exécution ou juste après une erreur
(analyse post-mortem).
— Module de la bibliothèque standard : pdb
Pour déboguer un script, il est possible de l’exécuter sous le contrôle du débogueur pdb en s’in-
terrompant dès la 1re instruction :
python -m pdb script.py
(Pdb)

Commandes (très similaires à gdb) :

— h[elp] [command] : aide en ligne ;
— q[uit] : quitter ;
— r[un] [args] : exécuter le programme avec les arguments ;
— d[own]/u[p] : monter/descendre dans le stack (empilement des appels de fonction) ;
— p expression : afficher le résultat de l’expression (pp : pretty-print) ;
— l[ist] [first[,last]] : afficher le code source autour de l’instruction courante (ll : long
list) ;
— n[ext]/s[tep] : exécuter l’instruction suivante (sans y entrer/en y entrant) ;
— unt[il] : continuer l’exécution jusqu’à la ligne suivante (utile pour les boucles) ;
— c[ont[inue]] : continuer l’exécution (jusqu’à la prochaine interruption ou la fin du pro-
gramme) ;
— r[eturn] : continuer l’exécution jusqu’à la sortie de la fonction ;
— b[reak] [[filename:]lineno | function[, condition]] : mettre en place un point d’ar-
rêt (tbreak pour un point d’arrêt temporaire). Sans argument, afficher les points d’arrêts déjà
définis ;
— disable/enable [bpnumber] : désactiver/réactiver tous ou un point d’arrêt ;
— cl[ear] [bpnumber] : éliminer tous ou un point d’arrêt ;
— ignore bpnumber [count] : ignorer un point d’arrêt une ou plusieurs fois ;
— condition bpnumber : ajouter une condition à un point d’arrêt ;
— commands [bpnumber] : ajouter des instructions à un point d’arrêt.
— Commandes ipython : %run monScript.py , %debug, %pdb
Si un script exécuté sous ipython (commande %run) génère une exception, il est possible d’inspec-
ter l’état de la mémoire au moment de l’erreur avec la commande %debug, qui lance une session
pdb au point d’arrêt. %pdb on lance systématiquement le débogueur à chaque exception.
L’activité de débogage s’intégre naturellement à la nécessité d’écrire des tests unitaires :
1. trouver un bogue ;
2. écrire un test qui aurait du être validé en l’absence du bogue ;
3. corriger le code jusqu’à validation du test.
Vous aurez alors au final corrigé le bug, et écrit un test s’assurant que ce bogue ne réapparaîtra pas
inopinément.

8.3.4 Profilage et optimisation

Avertissement : Premature optimization is the root of all evil – Donald Knuth

Avant toute optimisation, s’assurer extensivement que le code fonctionne et produit les bons résultats
dans tous les cas. S’il reste trop lent ou gourmand en mémoire pour vos besoins, il peut être nécessaire
de l’optimiser.
Le profilage permet de déterminer le temps passé dans chacune des sous-fonctions d’un code (ou ligne
par ligne : line profiler, ou selon l’utilisation de la mémoire : memory profiler), afin d’y identifier les
parties qui gagneront à être optimisées.
— python -O, __debug__, assert
Il existe un mode « optimisé » de python (option -O), qui pour l’instant ne fait pas grand chose
(et n’est donc guère utilisé. . . .) :

84 Chapitre 8. Développer en Python

 Analyse scientifique avec Python, Version Janvier 2021

— la variable interne __debug__ passe de True à False ;

— les instructions assert ne sont pas évaluées.
— timeit et %timeit statement sous ipython :
In [1]: def t1(n):
...: l = []
...: for i in range(n):
...: l.append(i**2)
...: return l
...:
...: def t2(n):
...: return [ i**2 for i in range(n) ]
...:
...: def t3(n):
...: return N.arange(n)**2
...:
In [2]: %timeit t1(10000)
2.7 ms ± 12.4 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
In [3]: %timeit t2(10000)
2.29 ms ± 13.2 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
In [4]: %timeit t3(10000)
15.9 µs ± 120 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

— cProfile et pstats, et %prun statement sous ipython :

$ python -m cProfile calc_pi.py
3.1415925580959025
10000005 function calls in 4.594 seconds

Ordered by: standard name

ncalls tottime percall cumtime percall filename:lineno(function)

1 1.612 1.612 4.594 4.594 calc_pi.py:10(approx_pi)
1 0.000 0.000 4.594 4.594 calc_pi.py:5(<module>)
10000000 2.982 0.000 2.982 0.000 calc_pi.py:5(recip_square)
1 0.000 0.000 4.594 4.594 {built-in method builtins.exec}
1 0.000 0.000 0.000 0.000 {built-in method builtins.print}
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler'␣
˓→objects}

— Tutoriel de profilage
Une fois identifiée la partie du code à optimiser, quelques conseils généraux :
— en cas de doute, favoriser la lisibilité aux performances ;
— utiliser des opérations sur les tableaux, plutôt que sur des éléments individuels (vectorization) :
listes en compréhension, tableaux numpy (qui ont eux-mêmes été optimisés) ;
— cython est un langage de programmation compilé très similaire à python. Il permet d’écrire des
extensions en C avec la facilité de python (voir notamment Working with Numpy) ;
— numba permet automagiquement de compiler à la volée (JIT (Just In Time)) du pur code python
via le compilateur LLVM, avec une optimisation selon le CPU (éventuellement le GPU) utilisé,
p.ex. :
from numba import jit # compilation à la volée (seulement au 1e appel)

@jit
def crible(n):
...

ou :
from numba import guvectorize # ufunc numpy compilée

@guvectorize(['void(float64[:], intp[:], float64[:])'], '(n),()->(n)')

def move_mean(a, window_arr, out):
...

8.3. Outils de développement 85

Analyse scientifique avec Python, Version Janvier 2021

— à l’avenir, l’interpréteur CPython actuel sera éventuellement remplacé par pypy, basé sur une
compilation JIT.

Lien :

Performance tips

8.3.5 Documentation
— Outils de documentation, ou comment transformer automagiquement un code-source bien docu-
menté en une documentation fonctionnelle.
— Sphinx ;
— reStructuredText for Sphinx ;
— Awesome Sphinx ;
— apidoc (documentation automatique).
— Conventions de documentation :
— Docstring convention : PEP 257 ;
— Documenting Your Project Using Sphinx ;
— A Guide to NumPy/SciPy Documentation ;
— Sample doc (matplotlib).

Lien :

Documentation Tools

8.3.6 Python packages

Comment installer/créer des modules externes :
— pip ;
— Hitchhiker’s Guide to Packaging ;
— Packaging Python Projects
— Packaging a python library ;
— cookiecutter est un générateur de squelettes de projet via des templates (pas uniquement pour
Python) ;
— cx-freeze, pour générer un exécutable à partir d’un script.

8.3.7 Système de gestion de versions

La gestion des versions du code permet de suivre avec précision l’historique des modifications du code (ou
de tout autre projet), de retrouver les changements critiques, de développer des branches alternatives,
de faciliter le travail collaboratif, etc.
Git est un VCS (Version Controling System) particulièrement performant (p.ex. utilisé pour le dévelop-
pement du noyau Linux 3 ). Il est souvent couplé à un dépôt en ligne faisant office de dépôt de référence
et de solution de sauvegarde, et offrant généralement des solutions d’intégration continue, p.ex. :
— les très célèbres GitHub et GitLab, gratuits pour les projets libres ;
— pour des projets liés à votre travail, je conseille plutôt des dépôts directement gérés par votre
institution, p.ex. GitLab-IN2P3.
Git mérite un cours en soi, et devrait être utilisé très largement pour l’ensemble de vos projets (p.ex.
rédaction d’articles, de thèse de cours, fichiers de configuration, tests numériques, etc.).
Quelques liens d’introduction :
— Pro-Git book, le livre « officiel » ;
— Git Immersion ;
— Git Magic.
3. Et maintenant du code Windows!

86 Chapitre 8. Développer en Python

 Analyse scientifique avec Python, Version Janvier 2021

8.3.8 Intégration continue

L’intégration continue est un ensemble de pratiques de développement logiciel visant à s’assurer de façon
systématique que chaque modification du code n’induit aucune régression, et passe l’ensemble des tests.
Cela passe généralement par la mise en place d’un système de gestion des sources, auquel est accolé
un mécanisme automatique de compilation (build), de déploiement sur les différentes infrastructures,
d’éxecution des tests (unitaires, intégration, fonctionnels, etc.) et de mise à disposition des résultats, de
mise en ligne de la documentation, etc.
La plupart des développements des logiciels open source majeurs se fait maintenant sous intégration
continue en utilisant des services en ligne directement connectés au dépôt source. Exemple sur Astropy :
— Travis CI intégration continue ;
— Coveralls taux de couverture des tests unitaires ;
— Readthedocs documentation en ligne ;
— Depsy mise en valeur du développement logiciel dans le monde académique (measure the value of
software that powers science, non maintenu).

8.3. Outils de développement 87

Analyse scientifique avec Python, Version Janvier 2021

88 Chapitre 8. Développer en Python

 CHAPITRE 9

Références supplémentaires

Voici une liste très partielle de documents Python disponibles en ligne. La majorité des liens sont en
anglais, quelques-uns sont en français.

Note : N’hésitez pas à me faire des retours sur les différents liens (j’avoue ne pas les avoir tous testés. . . )
ou sur d’autres que vous avez trouvé particulièrement utiles.

9.1 Documentation générale

— Python
— Python Documentation
— Documentation Python
— Python Wiki
— Python Frequently Asked Questions
— Python Tutorial (v3.7)
— The Python Package Index

9.2 Listes de liens

— Python facile (2005)

— Python: quelques références, trucs et astuces: (2014)
— Improving your programming style in Python (2014)
— Starter Kit (py4science) (2010)
— Learning Python For Data Science (2016)
— Awesome Python
— Real Python tutorials

89
Analyse scientifique avec Python, Version Janvier 2021

ipython

— IPython tutorial
— IPython cookbook
— IPython en ligne
— IPython quick refsheet

Expressions rationnelles

— regex tester

Python 3.x
— Python 3 Patterns, Recipes and Idioms
— 10 awesome features of Python that you can’t use because you refuse to upgrade to Python 3

9.3 Livres libres

— 19 Free Python eBooks
— 10 Free Python Programming Books
— How to Think Like a Computer Scientist
— Wikibook
— Interactive edition
— Dive into Python
— A Python Book
— Learn Python the Hard Way
— Python for Everybody
— Intermediate Python
— The Best Python Books
— Apprendre à programmer avec Python
— Programmation Python

9.4 Cours en ligne

9.4.1 Python

— 6 formations en ligne ;
— Apprenez à programmer en Python
— Débuter avec Python au lycée
— Présentation de Python
— Introduction à Python pour la programmation scientifique
— Google’s Python Class
— Begginer’s Guide
— DIY python workshop
— Google’s Python Class
— Hack in Science, plusieurs dizaines d’exercices et corrections interactives
— CheckIO, pour apprendre la programmation Python en s’amusant !
— Python Programming (Code Academy)
— Tutoriaux Zeste de savoir : programmation orientée objet, notions avancées,

90 Chapitre 9. Références supplémentaires

 Analyse scientifique avec Python, Version Janvier 2021

9.4.2 Scientifique
— Scipy Cookbook (inclut numpy, scipy, matplotlib, etc.)
— Python Scientific Lecture Notes
— Handbook of the Physics Computing Course (Oxford, 2003)
— Practical Scientific Computing in Python
— Computational Physics with Python (avec exercices)
— SciPy tutorials (numpy, scipy, matplotlib, ipython) : 2011, 2012, 2013,
— Advance Scientific Programming in Python
— Lectures on Computational Economics (avec exercices)
— Intro to Python for Data Science (DataCamp avec vidéos et exercices)
— Python for Data Science
— Learning Python For Data Science
— Computational Statistics in Python
— Python Data Science Handbook
— An Introduction To Machine Learning

En français

— Formation à Python scientifique

— NumPy et SciPy
— Introduction à la programmation Python pour la biologie

Astrophysique et physique des hautes énergies

— Practical Python for Astronomers

— Learn Astropy
— Python for Astronomers
— Python for Euclid 2016
— Advanced software programming for astrophysics and astroparticle physics, ASTERICS-
OBELICS International School, 2017, 2018

9.4.3 Snippets
— Python cheatsheets

9.4. Cours en ligne 91

Analyse scientifique avec Python, Version Janvier 2021

92 Chapitre 9. Références supplémentaires

 CHAPITRE 10

Exemples

10.1 Mean power (fonction, argparse)

1 #!/usr/bin/env python3
2 # coding: utf-8
3

4 """
5 Exemple de script (shebang, docstring, etc.) permettant une
6 utilisation en module (`import mean_power`) et en exécutable (`python
7 mean_power.py -h`);
8 """
9

10

11 def mean_power(alist, power=1):

12 r"""
13 Retourne la racine `power` de la moyenne des éléments de `alist` à
14 la puissance `power`:
15

16 .. math:: \mu = (\frac{1}{N}\sum_{i=0}^{N-1} x_i^p)^{1/p}

17

18 `power=1` correspond à la moyenne arithmétique, `power=2` au *Root

19 Mean Squared*, etc.
20

21 Exemples:
22 >>> mean_power([1, 2, 3])
23 2.0
24 >>> mean_power([1, 2, 3], power=2)
25 2.160246899469287
26 """
27

28 # *mean* = (somme valeurs**power / nb valeurs)**(1/power)

29 mean = (sum( val ** power for val in alist ) / len(alist)) ** (1 / power)
30

31 return mean
32

33

34 if __name__ == '__main__':
35

36 # start-argparse
(suite sur la page suivante)

93
 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

37 import argparse
38

39 parser = argparse.ArgumentParser()
40 parser.add_argument('list', nargs='*', type=float, metavar='nombres',
41 help="Liste de nombres à moyenner")
42 parser.add_argument('-i', '--input', nargs='?', type=argparse.FileType('r'),
43 help="Fichier contenant les nombres à moyenner")
44 parser.add_argument('-p', '--power', type=float, default=1.,
45 help="'Puissance' de la moyenne (par défaut: %(default)s )")
46

47 args = parser.parse_args()
48 # end-argparse
49

50 if args.input: # Lecture des coordonnées du fichier d'entrée

51 # Le fichier a déjà été ouvert en lecture par argparse (type=file)
52 try:
53 args.list = [float(x) for x in args.input
54 if not x.strip().startswith('#')]
55 except ValueError:
56 parser.error("Impossible de déchiffrer la ligne "
57 f"{ x!r} du fichier { args.input!r} ")
58

59 # Vérifie qu'il y a au moins un nombre dans la liste

60 if not args.list:
61 parser.error("La liste doit contenir au moins un nombre")
62

63 # Calcul
64 moyenne = mean_power(args.list, args.power)
65

66 # Affichage du résultat
67 print("La moyenne puissance 1/{0} des {1} nombres à la puissance {0} "
68 " est {2} .".format(args.power, len(args.list), moyenne))

Source : mean_power.py

10.2 Animal (POO)

1 #!/usr/bin/env python3
2 # coding: utf-8
3

4 """
5 Exemple (tragique) de Programmation Orientée Objet.
6 """
7

9 # Définition d'une classe ==============================

10

11 class Animal:
12 """
13 Un animal, défini par sa masse.
14 """
15

16 def __init__(self, masse):

17 """
18 Initialisation d'un Animal, a priori vivant.
19

20 :param float masse: masse en kg (> 0)

21 :raise ValueError: masse non réelle ou négative
22 """
(suite sur la page suivante)

94 Chapitre 10. Exemples

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

23

24 self.estVivant = True
25

26 self.masse = float(masse)
27 if self.masse < 0:
28 raise ValueError("La masse ne peut pas ^etre négative.")
29

30

31 def __str__(self):
32 """
33 Surcharge de la fonction `str()`.
34

35 L'affichage *informel* de l'objet dans l'interpréteur, p.ex. `print(a)`

36 sera résolu comme `a.__str__()`
37

38 :return: une cha^ıne de caractères

39 """
40

41 return f"Animal { 'vivant' if self.estVivant else 'mort'} , " \

42 f"{ self.masse: .0f} kg"
43

44

45 def meurt(self):
46 """
47 L'animal meurt.
48 """
49

50 self.estVivant = False
51

52

53 def grossit(self, masse):

54 """
55 L'animal grossit (ou maigrit) d'une certaine masse (valeur algébrique).
56

57 :param float masse: prise (>0) ou perte (<0) de masse.

58 :raise ValueError: masse non réelle.
59 """
60

61 self.masse += float(masse)
62

63

64 # Définition d'une classe héritée ==============================

65

66 class AnimalFeroce(Animal):
67 """
68 Un animal féroce est un animal qui peut dévorer d'autres animaux.
69

70 La classe-fille hérite des attributs et méthodes de la

71 classe-mère, mais peut les surcharger (i.e. en changer la
72 définition), ou en ajouter de nouveaux:
73

74 - la méthode `AnimalFeroce.__init__()` dérive directement de

75 `Animal.__init__()` (m^eme méthode d'initialisation);
76 - `AnimalFeroce.__str__()` surcharge `Animal.__str__()`;
77 - `AnimalFeroce.devorer()` est une nouvelle méthode propre à
78 `AnimalFeroce`.
79 """
80

81 def __str__(self):
82 """
83 Surcharge de la fonction `str()`.
(suite sur la page suivante)

10.2. Animal (POO) 95

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

84 """
85

86 return "Animal féroce " \

87 f"{ 'bien vivant' if self.estVivant else 'mais mort'} , " \
88 f"{ self.masse: .0f} kg"
89

90 def devore(self, other):

91 """
92 L'animal (self) devore un autre animal (other).
93

94 * Si other est également un animal féroce, il faut que self soit plus
95 gros que other pour le dévorer. Sinon, other se défend et self meurt.
96 * Si self dévore other, other meurt, self grossit de la masse de other
97 (jusqu'à 10% de sa propre masse) et other maigrit d'autant.
98

99 :param Animal other: animal à dévorer

100 :return: prise de masse (0 si self meurt)
101 """
102

103 if isinstance(other, AnimalFeroce) and (other.masse > self.masse):

104 # Pas de chance...
105 self.meurt()
106 prise = 0.
107 else:
108 other.meurt() # Other meurt
109 prise = min(other.masse, self.masse * 0.1)
110 self.grossit(prise) # Self grossit
111 other.grossit(-prise) # Other maigrit
112

113 return prise

114

115

116 # Définition d'une autre classe héritée ==============================

117

118 class AnimalGentil(Animal):

119 """
120 Un animal gentil est un animal avec un petit nom.
121

122 La classe-fille hérite des attributs et méthodes de la

123 classe-mère, mais peut les surcharger (i.e. en changer la
124 définition), ou en ajouter de nouveaux:
125

126 - la méthode `AnimalGentil.__init__()` surcharge l'initialisation originale

127 `Animal.__init__()`;
128 - `AnimalGentil.__str__()` surcharge `Animal.__str__()`;
129 """
130

131 def __init__(self, masse, nom='Youki'):

132 """
133 Initialisation d'un animal gentil, avec son masse et son nom.
134 """
135

136 # Initialisation de la classe parente (nécessaire pour assurer

137 # l'héritage)
138 Animal.__init__(self, masse)
139

140 # Attributs propres à la classe AnimalGentil

141 self.nom = nom
142

143 def __str__(self):

144 """
(suite sur la page suivante)

96 Chapitre 10. Exemples

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

145 Surcharge de la fonction `str()`.
146 """
147

148 return f"{ self.nom} , un animal gentil " \

149 f"{ 'bien vivant' if self.estVivant else 'mais mort'} , " \
150 f"{ self.masse: .0f} kg"
151

152 def meurt(self):

153 """
154 L'animal gentil meurt, avec un éloge funéraire.
155 """
156

157 Animal.meurt(self)
158 print(f"Pauvre { self.nom} meurt, paix à son ^ame...")
159

160

161 if __name__ == '__main__':

162

163 # Exemple d'utilisation des classes définies ci-dessus

164

165 print("Une tragédie en trois actes".center(70, '='))

166

167 print("Acte I: la vache prend 10 kg.".center(70, '-'))

168 vache = Animal(500.) # Instantiation d'un animal de 500 kg
169 vache.grossit(10) # La vache grossit de 10 kg
170 print(vache)
171

172 print("Acte II: Dumbo l'éléphant".center(70, '-'))

173 elephant = AnimalGentil(1000., "Dumbo") # Instantiation d'un animal gentil
174 print(elephant)
175

176 print("Acte III: le féroce lion".center(70, '-'))

177 lion = AnimalFeroce(200) # Instantiation d'un animal féroce
178 print(lion)
179

180 print("Scène tragique: le lion dévore l'éléphant...".center(70, '-'))

181 lion.devore(elephant) # Le lion dévore l'éléphant
182

183 print(elephant)
184 print(lion)

Exécution du code :

$ ./animal.py
=====================Une tragédie en trois actes======================
--------------------Acte I: la vache prend 10 kg.---------------------
Animal vivant, 510 kg
----------------------Acte II: Dumbo l'éléphant-----------------------
Dumbo, un animal gentil bien vivant, 1000 kg
-----------------------Acte III: le féroce lion-----------------------
Animal féroce bien vivant, 200 kg
-------------Scène tragique: le lion dévore l'éléphant...-------------
Pauvre Dumbo, paix à son ^ame...
Dumbo, un animal gentil mais mort, 980 kg
Animal féroce bien vivant, 220 kg

Source : animal.py

10.2. Animal (POO) 97

 Analyse scientifique avec Python, Version Janvier 2021

10.3 Cercle circonscrit (POO, argparse)

1 #!/usr/bin/env python3
2 # coding: utf-8
3

4 """
5 Calcule le cercle circonscrit à 3 points du plan.
6

7 Ce script sert d'illustration à plusieurs concepts indépendants:

8

9 - un exemple de script (shebang, docstring, etc.) permettant une

10 utilisation en module (`import circonscrit`) et en exécutable
11 (`python circonscrit.py -h`);
12 - des exemples de Programmation Orientée Objet: classe `Point` et la
13 classe héritière `Vector`;
14 - un exemple d'utilisation du module `argparse` de la bibliothèque
15 standard, permettant la gestion des arguments de la ligne de
16 commande;
17 - l'utilisation de tests unitaires sous la forme de `doctest` (tests
18 inclus dans les *docstrings* des éléments à tester).
19

20 Pour exécuter les tests unitaires du module:

21

22 - avec doctest: `python -m doctest -v circonscrit.py`;

23 - avec pytests: `py.test --doctest-modules -v circonscrit.py`;
24 - avec nose: `nosetests --with-doctest -v circonscrit.py`.
25 """
26

27 __author__ = "Yannick Copin <[email protected]>"

28 __version__ = "Time-stamp: <2014-01-12 22:19 [email protected]>"
29

30 # Définition d'une classe ==============================

31

32

33 class Point:
34

35 """
36 Classe définissant un `Point` du plan, caractérisé par ses
37 coordonnées `x`,`y`.
38 """
39

40 def __init__(self, x, y):

41 """
42 Méthode d'instanciation à partir de deux coordonnées réelles.
43

44 >>> Point(0, 1) # doctest: +ELLIPSIS

45 <....Point object at 0x...>
46 >>> Point(1 + 3j)
47 Traceback (most recent call last):
48 ...
49 TypeError: __init__() missing 1 required positional argument: 'y'
50 """
51

52 try: # Convertit les coords en `float`

53 self.x = float(x)
54 self.y = float(y)
55 except (ValueError, TypeError):
56 raise TypeError(f"Invalid input coordinates ({ x} , { y} )")
57

58 def __str__(self):
59 """
(suite sur la page suivante)

98 Chapitre 10. Exemples

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

60 Surcharge de la fonction `str()`: l'affichage *informel* de l'objet
61 dans l'interpréteur, p.ex. `str(self)` sera résolu comme
62 `self.__str__()`
63

64 Retourne une cha^ıne de caractères.

65

66 >>> str(Point(1,2))
67 'Point (x=1.0, y=2.0)'
68 """
69

70 return f"Point (x={ self.x} , y={ self.y} )"

71

72 def isOrigin(self):
73 """
74 Teste si le point est à l'origine en testant la nullité des deux
75 coordonnées.
76

77 Attention aux éventuelles erreurs d'arrondis: il faut tester

78 la nullité à la précision numérique près.
79

80 >>> Point(1,2).isOrigin()
81 False
82 >>> Point(0,0).isOrigin()
83 True
84 """
85

86 import sys
87

88 eps = sys.float_info.epsilon # Le plus petit float non nul

89

90 return ((abs(self.x) <= eps) and (abs(self.y) <= eps))

91

92 def distance(self, other):

93 """
94 Méthode de calcul de la distance du point (`self`) à un autre point
95 (`other`).
96

97 >>> A = Point(1,0); B = Point(1,1); A.distance(B)

98 1.0
99 """
100

101 # hypot(dx, dy) = sqrt(dx**2 + dy**2)

102 return ((self.x - other.x)**2 + (self.y - other.y)**2)**0.5
103

104

105 # Définition du point origine O

106 O = Point(0, 0)
107

108

109 # Héritage de classe ==============================

110

111

112 class Vector(Point):

113

114 """
115 Un `Vector` hérite de `Point` avec des méthodes additionnelles
116 (p.ex. la négation d'un vecteur, l'addition de deux vecteurs, ou
117 la rotation d'un vecteur).
118 """
119

120 def __init__(self, A, B):

(suite sur la page suivante)

10.3. Cercle circonscrit (POO, argparse) 99

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

121 """
122 Définit le vecteur `AB` à partir des deux points `A` et `B`.
123

124 >>> Vector(Point(1,0), Point(1,1)) # doctest: +ELLIPSIS

125 <....Vector object at 0x...>
126 >>> Vector(0, 1)
127 Traceback (most recent call last):
128 ...
129 AttributeError: 'int' object has no attribute 'x'
130 """
131

132 # Initialisation de la classe parente

133 Point.__init__(self, B.x - A.x, B.y - A.y)
134

135 # Attribut propre à la classe dérivée

136 self.sqnorm = self.x ** 2 + self.y ** 2 # Norme du vecteur au carré
137

138 def __str__(self):

139 """
140 Surcharge de la fonction `str()`: `str(self)` sera résolu comme
141 `Vector.__str__(self)` (et non pas comme `Point.__str__(self)`)
142

143 >>> A = Point(1, 0); B = Point(1, 1); str(Vector(A, B))

144 'Vector (x=0.0, y=1.0)'
145 """
146

147 return f"Vector (x={ self.x} , y={ self.y} )"

148

149 def __add__(self, other):

150 """
151 Surcharge de l'opérateur binaire `{self} + {other}`: l'instruction
152 sera résolue comme `self.__add__(other)`.
153

154 On construit une nouvelle instance de `Vector` à partir des

155 coordonnées propres à l'objet `self` et à l'autre opérande
156 `other`.
157

158 >>> A = Point(1, 0); B = Point(1, 1)

159 >>> str(Vector(A, B) + Vector(B, O)) # = Vector(A, O)
160 'Vector (x=-1.0, y=0.0)'
161 """
162

163 return Vector(O, Point(self.x + other.x, self.y + other.y))

164

165 def __sub__(self, other):

166 """
167 Surcharge de l'opérateur binaire `{self} - {other}`: l'instruction
168 sera résolue comme `self.__sub__(other)`.
169

170 Attention: ne surcharge pas l'opérateur unaire `-{self}`, géré

171 par `__neg__`.
172

173 >>> A = Point(1, 0); B = Point(1, 1)

174 >>> str(Vector(A, B) - Vector(A, B)) # Différence
175 'Vector (x=0.0, y=0.0)'
176 >>> -Vector(A, B) # Négation
177 Traceback (most recent call last):
178 ...
179 TypeError: bad operand type for unary -: 'Vector'
180 """
181

(suite sur la page suivante)

100 Chapitre 10. Exemples

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

182 return Vector(O, Point(self.x - other.x, self.y - other.y))
183

184 def __eq__(self, other):

185 """
186 Surcharge du test d'égalité `{self}=={other}`: l'instruction sera
187 résolue comme `self.__eq__(other)`.
188

189 >>> Vector(O, Point(0, 1)) == Vector(Point(1, 0), Point(1, 1))

190 True
191 """
192

193 # On teste ici la nullité de la différence des 2

194 # vecteurs. D'autres tests auraient été possibles -- égalité
195 # des coordonnées, nullité de la norme de la différence,
196 # etc. -- mais on tire profit de la méthode héritée
197 # `Point.isOrigin()` testant la nullité des coordonnées (à la
198 # précision numérique près).
199 return (self - other).isOrigin()
200

201 def __abs__(self):

202 """
203 Surcharge la fonction `abs()` pour retourner la norme du vecteur.
204

205 >>> abs(Vector(Point(1, 0), Point(1, 1)))

206 1.0
207 """
208

209 # On pourrait utiliser sqrt(self.sqnorm), mais c'est pour

210 # illustrer l'utilisation de la méthode héritée
211 # `Point.distance`...
212 return Point.distance(self, O)
213

214 def rotate(self, angle, deg=False):

215 """
216 Rotation (dans le sens trigonométrique) du vecteur par un `angle`,
217 exprimé en radians ou en degrés.
218

219 >>> Vector(Point(1, 0), Point(1, 1)).rotate(90, deg=True) == Vector(O, Point(-1, 0))
220 True
221 """
222

223 from cmath import rect # Bibliothèque de fonctions complexes

224

225 # On calcule la rotation en passant dans le plan complexe

226 z = complex(self.x, self.y)
227 phase = angle if not deg else angle / 57.29577951308232 # [rad]
228 u = rect(1., phase) # exp(i*phase)
229 zu = z * u # Rotation complexe
230

231 return Vector(O, Point(zu.real, zu.imag))

232

233

234 def circumscribedCircle(M, N, P):

235 """
236 Calcule le centre et le rayon du cercle circonscrit aux points
237 M, N, P.
238

239 Retourne: (centre [Point], rayon [float])

240

241 Lève une exception `ValueError` si le rayon ou le centre du cercle

242 circonscrit n'est pas défini.
(suite sur la page suivante)

10.3. Cercle circonscrit (POO, argparse) 101

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

243

244 >>> M = Point(-1, 0); N = Point(1, 0); P = Point(0, 1)

245 >>> C, r = circumscribedCircle(M, N, P) # Centre O, rayon 1
246 >>> C.distance(O), round(r, 6)
247 (0.0, 1.0)
248 >>> circumscribedCircle(M, O, N) # Indéfini
249 Traceback (most recent call last):
250 ...
251 ValueError: Undefined circumscribed circle radius.
252 """
253

254 MN = Vector(M, N)
255 NP = Vector(N, P)
256 PM = Vector(P, M)
257

258 # Rayon du cercle circonscrit

259 m = abs(NP) # |NP|
260 n = abs(PM) # |PM|
261 p = abs(MN) # |MN|
262

263 d = (m + n + p) * (-m + n + p) * (m - n + p) * (m + n - p)
264 if d > 0:
265 rad = m * n * p / d**0.5
266 else:
267 raise ValueError("Undefined circumscribed circle radius.")
268

269 # Centre du cercle circonscrit

270 d = -2 * (M.x * NP.y + N.x * PM.y + P.x * MN.y)
271 if d == 0:
272 raise ValueError("Undefined circumscribed circle center.")
273

274 om2 = Vector(O, M).sqnorm # |OM|**2

275 on2 = Vector(O, N).sqnorm # |ON|**2
276 op2 = Vector(O, P).sqnorm # |OP|**2
277

278 x0 = -(om2 * NP.y + on2 * PM.y + op2 * MN.y) / d

279 y0 = (om2 * NP.x + on2 * PM.x + op2 * MN.x) / d
280

281 return (Point(x0, y0), rad) # (centre [Point], R [float])

282

283

284 if __name__ == '__main__':

285

286 # start-argparse
287 import argparse
288

289 parser = argparse.ArgumentParser(

290 usage="%(prog)s [-p/--plot] [-i/--input coordfile | x1,y1 x2,y2 x3,y3]",
291 description="Compute the circumscribed circle to 3 points in the plan.")
292 parser.add_argument('coords', nargs='*', type=str, metavar='x,y',
293 help="Coordinates of point")
294 parser.add_argument('-i', '--input', nargs='?', type=argparse.FileType('r'),
295 help="Coordinate file (one 'x,y' per line)")
296 parser.add_argument('-P', '--plot', action="store_true", default=False,
297 help="Draw the circumscribed circle")
298 parser.add_argument('-T', '--tests', action="store_true", default=False,
299 help="Run doc tests")
300 parser.add_argument('--version', action='version', version=__version__)
301

302 args = parser.parse_args()

303 # end-argparse
(suite sur la page suivante)

102 Chapitre 10. Exemples

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

304

305 if args.tests: # Auto-test mode

306 import sys, doctest
307

308 fails, tests = doctest.testmod(verbose=True) # Run doc tests

309 sys.exit(fails > 0)
310

311 if args.input: # Lecture des coordonnées du fichier d'entrée

312 # Le fichier a déjà été ouvert en lecture par argparse (type=file)
313 args.coords = [coords for coords in args.input
314 if not coords.strip().startswith('#')]
315

316 if len(args.coords) != 3: # Vérifie le nb de points

317 parser.error("Specify 3 points by their coordinates 'x,y' "
318 f"(got { len(args.coords)} )")
319

320 points = [] # Liste des points

321 for i, arg in enumerate(args.coords, start=1):
322 try: # Déchiffrage de l'argument 'x,y'
323 x, y = (float(t) for t in arg.split(','))
324 except ValueError:
325 parser.error(f"Cannot decipher coordinates #{ i} : { arg!r} ")
326

327 points.append(Point(x, y)) # Création du point et ajout à la liste

328 print(f"#{ i: d} : { points[-1]} ") # Affichage du dernier point
329

330 # Calcul du cercle cisconscrit (lève une ValueError en cas de problème)

331 center, radius = circumscribedCircle(*points) # Délistage
332 print(f"Circumscribed circle: { center} , radius: { radius} ")
333

334 if args.plot: # Figure

335 import matplotlib.pyplot as P
336

337 fig = P.figure()

338 ax = fig.add_subplot(1, 1, 1, aspect='equal')
339 # Points
340 ax.plot([p.x for p in points], [p.y for p in points], 'ko')
341 for i, p in enumerate(points, start=1):
342 ax.annotate(f"#{ i} ", (p.x, p.y),
343 xytext=(5, 5), textcoords='offset points')
344 # Cercle circonscrit
345 c = P.matplotlib.patches.Circle((center.x, center.y), radius=radius,
346 fc='none', ec='k')
347 ax.add_patch(c) # Cercle
348 ax.plot(center.x, center.y, 'r+') # Centre
349

350 P.show()

$ ./circonscrit.py -h
usage: circonscrit.py [-p/--plot] [-i/--input coordfile | x1,y1 x2,y2 x3,y3]

positional arguments:
x,y Coordinates of point

optional arguments:
-h, --help show this help message and exit
-i [INPUT], --input [INPUT]
Coordinate file (one 'x,y' per line)
-p, --plot Draw the circumscribed circle
--version show program's version number and exit

(suite sur la page suivante)

10.3. Cercle circonscrit (POO, argparse) 103

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

$ ./circonscrit.py -p 0,0 1,0 1,1

Source : circonscrit.py

10.4 Matplotlib

10.4.1 Figure (relativement) simple

Fig. 10.1 – Figure : exemple de figure (charte graphique : seaborn)

1 #!/usr/bin/env python3
2 # Time-stamp: <2018-01-09 15:03:52 ycopin>
3

4 """
5 Exemple un peu plus complexe de figure, incluant 2 axes, légendes, axes, etc.
6 """
7

8 import numpy as N
(suite sur la page suivante)

104 Chapitre 10. Exemples

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

9 import matplotlib.pyplot as P
10

11 x = N.linspace(-N.pi, 3*N.pi, 2*360)

12

13 # Signal carré
14 y = N.sign(N.sin(x)) # = ± 1
15

16 # 3 premiers termes de la décomposition en série de Fourier

17 y1 = 4/N.pi * N.sin(x) # Fondamentale
18 y2 = 4/N.pi * N.sin(3*x) / 3 # 1re harmonique
19 y3 = 4/N.pi * N.sin(5*x) / 5 # 2de harmonique
20 # Somme des 3 premières composantes
21 ytot = y1 + y2 + y3
22

23 # Figure
24 fig = P.figure() # Création de la Figure
25

26 # 1er axe: composantes

27 ax1 = fig.add_subplot(2, 1, 1, # 1er axe d'une série de 2 × 1
28 ylabel="Composantes",
29 title="Décomposition en série de Fourier")
30 ax1.plot(x, y1, label="Fondamental")
31 ax1.plot(x, y2, label=u"1re harmonique")
32 ax1.plot(x, y3, label=u"2de harmonique")
33 ax1.legend(loc="upper left", fontsize="x-small")
34

35 # 2nd axe: décomposition

36 ax2 = fig.add_subplot(2, 1, 2, # 2d axe d'une série de 2 × 1
37 ylabel=u"Décomposition",
38 xlabel="x [rad]")
39 ax2.plot(x, y, lw=2, color='k', label="Signal carré")
40 ax2.plot(x, ytot, lw=2, ls=':', color='k', label="Somme des composantes")
41 ax2.legend(loc="upper left", fontsize="x-small")
42

43 # Sauvegarde de la figure (pas d'affichage intéractif)

44 fig.savefig("figure.png")

Source : figure.py

10.4.2 Filtres du 2nd ordre

1 #!/usr/bin/env python3
2

3 import numpy as N
4 import matplotlib.pyplot as P
5

7 def passeBas(x, Q=1):

8 """
9 Filtre passe-bas en pulsation réduite *x* = omega/omega0, facteur de
10 qualité *Q*.
11 """
12

13 return 1 / (1 - x ** 2 + x / Q * 1j)
14

15

16 def passeHaut(x, Q=1):

17

18 return -x ** 2 / (1 - x ** 2 + x / Q * 1j)
19
(suite sur la page suivante)

10.4. Matplotlib 105

 Analyse scientifique avec Python, Version Janvier 2021

Fig. 10.2 – Figure : Filtre passe-haut du 2nd ordre.

(suite de la page précédente)

20

21 def passeBande(x, Q=1):

22

23 return 1 / (1 + Q * (x - 1 / x) * 1j)
24

25

26 def coupeBande(x, Q=1):

27

28 return (1 - x ** 2) / (1 - x ** 2 + x / Q * 1j)
29

30

31 def gainNphase(f, dB=True):

32 """
33 Retourne le gain (éventuellement en dB) et la phase [rad] d'un
34 filtre de fonction de transfert complexe *f*.
35 """
36

37 g = N.abs(f) # Gain
38 if dB: # [dB]
39 g = 20 * N.log10(g)
40 p = N.angle(f) # [rad]
41

42 return g, p
43

44

45 def asympGain(x, pentes=(0, -40)):

46

47 lx = N.log10(x)
48 return N.where(lx < 0, pentes[0] * lx, pentes[1] * lx)
49

50

51 def asympPhase(x, phases=(0, -N.pi)):

52

53 return N.where(x < 1, phases[0], phases[1])

54

55

56 def diagBode(x, filtres, labels,

57 title='', plim=None, gAsymp=None, pAsymp=None):

(suite sur la page suivante)

106 Chapitre 10. Exemples

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

58 """
59 Trace le diagramme de Bode -- gain [dB] et phase [rad] -- des filtres
60 de fonction de transfert complexe *filtres* en fonction de la pulsation
61 réduite *x*.
62 """
63

64 fig = P.figure()
65 axg = fig.add_subplot(2, 1, 1, # Axe des gains
66 xscale='log',
67 ylabel='Gain [dB]')
68 axp = fig.add_subplot(2, 1, 2, # Axe des phases
69 sharex=axg,
70 xlabel=r'x = $\omega$/$\omega_0$', xscale='log',
71 ylabel='Phase [rad]')
72

73 lstyles = ['--', '-', '-.', ':']

74 for f, label, ls in zip(filtres, labels, lstyles): # Tracé des courbes
75 g, p = gainNphase(f, dB=True) # Calcul du gain et de la phase
76 axg.plot(x, g, lw=2, ls=ls, label="Q=" + str(label)) # Gain
77 axp.plot(x, p, lw=2, ls=ls) # Phase
78

79 # Asymptotes
80 if gAsymp is not None: # Gain
81 axg.plot(x, asympGain(x, gAsymp), 'k:', lw=2, label='_')
82 if pAsymp is not None: # Phase
83 # axp.plot(x, asympPhase(x,pAsymp), 'k:')
84 pass
85

86 axg.legend(loc='best', prop=dict(size='small'))
87

88 # Labels des phases

89 axp.set_yticks(N.arange(-2, 2.1) * N.pi / 2)
90 axp.set_yticks(N.arange(-4, 4.1) * N.pi / 4, minor=True)
91 axp.set_yticklabels([r'$-\pi$', r'$-\pi/2$', r'$0$', r'$\pi/2$', r'$\pi$'])
92 # Domaine des phases
93 if plim is not None:
94 axp.set_ylim(plim)
95

96 # Ajouter les grilles

97 for ax in (axg, axp):
98 ax.grid() # x et y, majors
99 ax.grid(which='minor') # x et y, minors
100

101 # Ajustements fins

102 gmin, gmax = axg.get_ylim()
103 axg.set_ylim(gmin, max(gmax, 3))
104

105 fig.subplots_adjust(hspace=0.1)
106 axg.xaxis.set_major_formatter(P.matplotlib.ticker.ScalarFormatter())
107 P.setp(axg.get_xticklabels(), visible=False)
108

109 if title:
110 axg.set_title(title)
111

112 return fig

113

114

115 if __name__ == '__main__':

116

117 x = N.logspace(-1, 1, 1000) # de 0.1 à 10 en 1000 pas

118

(suite sur la page suivante)

10.4. Matplotlib 107

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

119 # Facteurs de qualité
120 qs = [0.25, 1 / N.sqrt(2), 5] # Valeurs numériques
121 labels = [0.25, r'$1/\sqrt{2} $', 5] # Labels
122

123 # Calcul des fonctions de transfert complexes

124 pbs = [ passeBas(x, Q=q) for q in qs ]
125 phs = [ passeHaut(x, Q=q) for q in qs ]
126 pcs = [ passeBande(x, Q=q) for q in qs ]
127 cbs = [ coupeBande(x, Q=q) for q in qs ]
128

129 # Création des 4 diagrammes de Bode

130 figPB = diagBode(x, pbs, labels, title='Filtre passe-bas',
131 plim=(-N.pi, 0),
132 gAsymp=(0, -40), pAsymp=(0, -N.pi))
133 figPH = diagBode(x, phs, labels, title='Filtre passe-haut',
134 plim=(0, N.pi),
135 gAsymp=(40, 0), pAsymp=(N.pi, 0))
136 figPC = diagBode(x, pcs, labels, title='Filtre passe-bande',
137 plim=(-N.pi / 2, N.pi / 2),
138 gAsymp=(20, -20), pAsymp=(N.pi / 2, -N.pi / 2))
139 figCB = diagBode(x, cbs, labels, title='Filtre coupe-bande',
140 plim=(-N.pi / 2, N.pi / 2),
141 gAsymp=(0, 0), pAsymp=(0, 0))
142

143 P.show()

Source : filtres2ndOrdre.py

108 Chapitre 10. Exemples

 CHAPITRE 11

Exercices

Note : Les exercices sont de difficulté variable, de * (simple) à *** (complexe).

11.1 Introduction

11.1.1 Intégration : méthode des rectangles *

La méthode des rectangles permet d’approximer numériquement l’intégrale d’une fonction f :
∫︁ 𝑏 𝑛−1
∑︁
𝑓 (𝑥) d𝑥 ≈ ℎ 𝑓 (𝑥𝑖 ) avec ℎ = (𝑏 − 𝑎)/𝑛 et 𝑥𝑖 = 𝑎 + (𝑖 + 1/2)ℎ.
𝑎 𝑖=0

On définit la fonction sq renvoyant le carré d’un nombre par (cf. Fonctions) :

def sq(x) :
return x**2

Écrire un programme calculant l’intégrale de cette fonction entre a=0 et b=1, en utilisant une subdivision
en n=100 pas dans un premier temps. Quelle est la précision de la méthode, et comment dépend-elle du
nombre de pas ?

11.1.2 Fizz Buzz *

Écrire un programme jouant au Fizz Buzz jusqu’à 99 :

1 2 Fizz! 4 Buzz! Fizz! 7 8 Fizz! Buzz! 11 Fizz! 13 14 Fizz Buzz! 16...

109
Analyse scientifique avec Python, Version Janvier 2021

11.1.3 PGCD : algorithme d’Euclide **

Écrire un programme calculant le PGCD (Plus Grand Commun Dénominateur) de deux nombres (p.ex.
756 et 306) par l”algorithme d’Euclide.

11.1.4 Tables de multiplication *

Écrire un programme affichant les tables de multiplication :

1 x 1 = 1
1 x 2 = 2
...
9 x 9 = 81

11.2 Manipulation de listes

11.2.1 Crible d’Ératosthène *

Implémenter le Crible_d’Ératosthène pour afficher les nombres premiers compris entre 1 et un entier
fixe, p.ex. :

Liste des entiers premiers <= 41

[2, 3, 5, 7, 11, 13, 17, 19, 23, 29, 31, 37, 41]

Note : l’implémentation ne doit contenir aucune division ou opération modulo (%) !

110 Chapitre 11. Exercices

 Analyse scientifique avec Python, Version Janvier 2021

11.2.2 Carré magique **

Un carré magique d’ordre n est un tableau carré n × n dans lequel on écrit une et une seule fois les
nombres entiers de 1 à n2 , de sorte que la somme des n nombres de chaque ligne, colonne ou diagonale
principale soit constante. P.ex. le carré magique d’ordre 5, où toutes les sommes sont égales à 65 :

11 18 25 2 9
10 12 19 21 3
4 6 13 20 22
23 5 7 14 16
17 24 1 8 15

Pour les carrés magiques d’ordre impair, on dispose de l’algorithme suivant – (i,j) désignant la case de
la ligne i, colonne j du carré ; on se place en outre dans une indexation « naturelle » commençant à 1 :
1. la case (n,(n+1)/2) contient 1 ;
2. si la case (i,j) contient la valeur k, alors on place la valeur k+1 dans la case (i+1,j+1) si cette
case est vide, ou dans la case (i-1,j) sinon. On respecte la règle selon laquelle un indice supérieur
à n est ramené à 1.
Programmer cet algorithme pour pouvoir construire un carré magique d’ordre impair quelconque.

11.3 Programmation

11.3.1 Suite de Syracuse (fonction) *

Écrire une fonction suite_syracuse(n) retournant la (partie non-triviale de la) suite de Syracuse pour
un entier n. Écrire une fonction temps_syracuse(n, altitude=False) retournant le temps de vol (éven-
tuellement en altitude) correspondant à l’entier n. Tester ces fonctions sur n=15 :

>>> suite_syracuse(15)
[15, 46, 23, 70, 35, 106, 53, 160, 80, 40, 20, 10, 5, 16, 8, 4, 2, 1]
>>> temps_syracuse(15)
17
>>> temps_syracuse(15, altitude=True)
10

11.3.2 Flocon de Koch (programmation récursive) ***

En utilisant les commandes left, right et forward de la bibliothèque graphique standard turtle dans
une fonction récursive, générer à l’écran un flocon de Koch d’ordre arbitraire.

Fig. 11.1 – Figure : Flocon de Koch d’ordre 3.

11.3. Programmation 111

Analyse scientifique avec Python, Version Janvier 2021

11.3.3 Jeu du plus ou moins (exceptions) *

Écrire un jeu de « plus ou moins » :

Vous devez deviner un nombre entre 1 et 100.

Votre proposition: 27
C'est plus.
[...]
Vous avez trouvé en 6 coups!

La solution sera générée aléatoirement par la fonction random.randint(). Le programme devra

être robuste aux entrées invalides (« toto », 120, etc.), et aux lâches abandons par interruption
(KeyboardInterrupt).

11.3.4 Animaux (POO/TDD) *

Téléchargez le fichier animaux.py et exécutez les tests prédéfinis (dans la seconde partie du fichier) via
la ligne de commande (à éxecuter dans un terminal système) :

$ py.test animaux.py

Dans un premier temps, les tests échouent, puisque le proto-code (dans la première partie du fichier)
n’est pas encore correct. L’exercice consiste donc à modifier progressivement les classes Animal et Chien
pour qu’elles passent avec succès tous les tests. C’est le principe du Test Driven Development (voir
Développement piloté par les tests).

11.3.5 Jeu de la vie (POO) **

On se propose de programmer l’automate cellulaire le plus célèbre, le Jeu de la vie.
Pour cela, vous créerez une classe Life qui contiendra la grille du jeu ainsi que les méthodes qui permet-
tront son évolution. Vous initialiserez la grille aléatoirement à l’aide de la fonction random.choice(), et
vous afficherez l’évolution de l’automate dans la sortie standard du terminal, p.ex. :

...#..#.....##.......
.....###.............
#........#...........
.....#...#...........
................##...
.....#.#......##..#..
..............##.##..
..............##.##..
................#....

Astuce : Pour que l’affichage soit agréable à l’oeil, vous marquerez des pauses entre l’affichage de chaque
itération grâce à la fonction time.sleep().

112 Chapitre 11. Exercices

 Analyse scientifique avec Python, Version Janvier 2021

11.4 Manipulation de tableaux (arrays)

11.4.1 Inversion de matrice *

Créer un tableau carré réel r aléatoire (numpy.random.randn()), calculer la matrice hermitienne m = r·r𝑇
(numpy.dot()), l’inverser (numpy.linalg.inv()), et vérifier que m · m−1 = m−1 · m = 1 (numpy.eye())
à la précision numérique près (numpy.allclose()).

11.4.2 Median Absolute Deviation *

En statistique, le Median Absolute Deviation (MAD) est un estimateur robuste de la dispersion d’un
échantillon 1D : MAD = median(| x - median(x) |).
À l’aide des fonctions numpy.median() et numpy.abs(), écrire une fonction mad(x, axis=None) calcu-
lant le MAD d’un tableau, éventuellement le long d’un ou plusieurs de ses axes.

11.4.3 Distribution du pull ***

Le pull est une quantité statistique permettant d’évaluer la conformité des erreurs par rapport à une
distribution de valeurs (typiquement les résidus d’un ajustement). Pour un échantillon x = [𝑥𝑖 ] et les
erreurs associées dx = [𝜎𝑖 ], le pull est défini par :
: 𝐸 = ( 𝑖 𝑥𝑖 /𝜎𝑖2 )/( 𝑖 1/𝜎𝑖2 ) ;
∑︀ ∑︀
— moyenne optimale (pondérée par la variance)
2
= 1/ (1/𝜎𝑖2 ) ;
∑︀
— erreur sur la moyenne pondérée : 𝜎𝐸
— définition du pull : 𝑝𝑖 = (𝑥𝑖 − 𝐸𝑖 )/(𝜎𝐸𝑖 + 𝜎𝑖2 )1/2 , où 𝐸𝑖 et 𝜎𝐸𝑖 sont calculées sans le point i.
2

Si les erreurs 𝜎𝑖 sont correctes, la distribution du pull est centrée sur 0 avec une déviation standard de
1.
Écrire une fonction pull(x, dx) calculant le pull de tableaux 1D.

11.5 Méthodes numériques

11.5.1 Quadrature et zéro d’une fonction *

À l’aide des algorithmes disponibles dans scipy :

∫︀ ∞ 3
— calculer numériquement l’intégrale 0 𝑒𝑥𝑥−1 d𝑥 = 𝜋 4 /15 ;
— résoudre numériquement l’équation 𝑥 𝑒𝑥 = 5(𝑒𝑥 − 1).

11.5.2 Schéma de Romberg **

Écrire une fonction integ_romberg(f, a, b, epsilon=1e-6) permettant de calculer l’intégrale numé-

rique de la fonction f entre les bornes a et b avec une précision epsilon selon la Méthode_de_Romberg.
Tester sur des solutions analytiques et en comparant à scipy.integrate.romberg().

11.4. Manipulation de tableaux (arrays) 113

Analyse scientifique avec Python, Version Janvier 2021

11.5.3 Méthode de Runge-Kutta **

Développer un algorithme permettant d’intégrer numériquement une équation différentielle du 1er ordre
en utilisant les Méthodes_de_Runge-Kutta d’ordre quatre.
Tester sur des solutions analytiques et en comparant à scipy.integrate.odeint().

11.6 Visualisation (matplotlib)

11.6.1 Quartet d’Anscombe *

Après chargement des données, calculer et afficher les propriétés statistiques des quatres jeux de données
du Quartet d'Anscombe :
— moyenne et variance des x et des y (numpy.mean() et numpy.var()) ;
— corrélation entre les x et les y (scipy.stats.pearsonr()) ;
— équation de la droite de régression linéaire y = ax + b (scipy.stats.linregress()).

Tableau 11.1 – Quartet d’Anscombe

I II III IV
x y x y x y x y
10.0 8.04 10.0 9.14 10.0 7.46 8.0 6.58
8.0 6.95 8.0 8.14 8.0 6.77 8.0 5.76
13.0 7.58 13.0 8.74 13.0 12.74 8.0 7.71
9.0 8.81 9.0 8.77 9.0 7.11 8.0 8.84
11.0 8.33 11.0 9.26 11.0 7.81 8.0 8.47
14.0 9.96 14.0 8.10 14.0 8.84 8.0 7.04
6.0 7.24 6.0 6.13 6.0 6.08 8.0 5.25
4.0 4.26 4.0 3.10 4.0 5.39 19.0 12.50
12.0 10.84 12.0 9.13 12.0 8.15 8.0 5.56
7.0 4.82 7.0 7.26 7.0 6.42 8.0 7.91
5.0 5.68 5.0 4.74 5.0 5.73 8.0 6.89

Pour chacun des jeux de données, tracer y en fonction de x, ainsi que la droite de régression linéaire.

11.6.2 Diagramme de bifurcation : la suite logistique **

Écrivez une fonction qui calcule la valeur d’équilibre de la Suite logistique pour un 𝑥0 (nécessairement
compris entre 0 et 1) et un paramètre 𝑟 (parfois noté 𝜇) donné.
Générez l’ensemble de ces points d’équilibre pour des valeurs de 𝑟 comprises entre 0 et 4 :
N.B. Vous utiliserez la bibliothèque Matplotlib pour tracer vos résultats.

11.6.3 Ensemble de Julia **

Représentez l”ensemble de Julia pour la constante complexe 𝑐 = 0.284 + 0.0122𝑗 :
On utilisera la fonction numpy.meshgrid() pour construire le plan complexe, et l’on affichera le résultat
grâce à la fonction matplotlib.pyplot.imshow().
Voir également : Superposition d’ensembles de Julia

114 Chapitre 11. Exercices

 Analyse scientifique avec Python, Version Janvier 2021

Fig. 11.2 – Figure : Diagramme de bifurcation.

Fig. 11.3 – Figure : Ensemble de Julia pour 𝑐 = 0.284 + 0.0122𝑗.

11.6. Visualisation (matplotlib) 115

Analyse scientifique avec Python, Version Janvier 2021

11.7 Mise en oeuvre de l’ensemble des connaissances acquises

11.7.1 Équation différentielle *

À l’aide de la fonction scipy.integrate.odeint(), intégrer les équations du mouvement d’un boulet

de canon soumis à des forces de frottement « turbulentes » (en 𝑣 2 ) :
𝛼
r̈ = g − 𝑣 × v.
𝑚
Utiliser les valeurs numériques pour un boulet de canon de 36 livres :

g = 9.81 # Pesanteur [m/s2]

cx = 0.45 # Coefficient de frottement d'une sphère
rhoAir = 1.2 # Masse volumique de l'air [kg/m3]
rad = 0.1748/2 # Rayon du boulet [m]
rho = 6.23e3 # Masse volumique du boulet [kg/m3]
mass = 4./3.*N.pi*rad**3 * rho # Masse du boulet [kg]
alpha = 0.5*cx*rhoAir*N.pi*rad**2 / mass # Coeff. de frottement / masse
v0 = 450. # Vitesse initiale [m/s]
alt = 45. # Inclinaison du canon [deg]

Voir également : Équations_de_prédation_de_Lotka-Volterra.

11.7.2 Équation d’état de l’eau à partir de la dynamique moléculaire ***

Afin de modéliser les planètes de type Jupiter, Saturne, ou même des exo-planètes très massives (dites
« super-Jupiters »), la connaissance de l’équation d’état des composants est nécessaire. Ces équations
d’état doivent être valables jusqu’à plusieurs centaines de méga-bar ; autrement dit, celles-ci ne sont en
aucun cas accessibles expérimentalement. On peut cependant obtenir une équation d’état numériquement
à partir d’une dynamique moléculaire.
Le principe est le suivant : on place dans une boite un certain nombre de particules régies par les équations
microscopiques (Newton par exemple, ou même par des équations prenant en considération la mécanique
quantique) puis on laisse celles-ci évoluer dans la boite ; on calcule à chaque pas de temps l’énergie interne
à partir des intéractions électrostatiques et la pression à partir du tenseur des contraintes. On obtient en
sortie l’évolution du système pour une densité fixée (par le choix de taille de la boite) et une température
fixée (par un algorithme de thermostat que nous ne détaillerons pas ici).
On se propose d’analyser quelques fichiers de sortie de tels calculs pour l’équation d’état de l’eau à très
haute pression. Les fichiers de sortie sont disponibles ici ; leur nom indique les conditions thermodyna-
miques correspondant au fichier, p.ex. 6000K_30gcc.out pour 𝑇 = 6000 K et 𝜌 = 30 gcc. Le but est,
pour chaque condition température-densité, d’extraire l’évolution de l’énergie et de la pression au cours
du temps, puis d’en extraire la valeur moyenne ainsi que les fluctuations. Il arrive souvent que l’état
initial choisi pour le système ne corresponde pas à son état d’équilibre, et qu’il faille donc « jeter » les
quelques pas de temps en début de simulation qui correspondent à cette relaxation du système. Pour
savoir combien de temps prend cette relaxation, il sera utile de tracer l’évolution au cours du temps de
la pression et l’énergie pour quelques simulations. Une fois l’équation d’état 𝑃 (𝜌, 𝑇 ) et 𝐸(𝜌, 𝑇 ) extraite,
on pourra tracer le réseau d’isothermes.

Indication : Vous écrirez une classe Simulation qui permet de charger un fichier de dynamique
moléculaire, puis de tracer l’évolution de a température et de la densité, et enfin d’en extraire la valeur
moyenne et les fluctuations. À partir de cette classe, vous construirez les tableaux contenant l’équation
d’état.

116 Chapitre 11. Exercices

 Analyse scientifique avec Python, Version Janvier 2021

11.8 Exercices en vrac

— Exercices de base
— Entraînez-vous !
— Learn Python The Hard Way
— Google Code Jam
— CheckIO

11.8.1 Points matériels et ions (POO/TDD)

Pour une simulation d’un problème physique, on peut construire des classes qui connaissent elles-mêmes
leurs propriétés physiques et leurs lois d’évolution.
La structure des classes est proposée dans ce squelette. Vous devrez compléter les définitions des classes
Vector, Particle et Ion afin qu’elles passent toutes les tests lancés automatiquement par le programme
principal main. À l’exécution, la sortie du terminal doit être :

***************** Test functions *****************

Testing Vector class... ok
Testing Particle class... ok
Testing Ion class... ok
******************** Test end ********************

************* Physical computations **************

** Gravitationnal computation of central-force motion for a Particle with mass 1.00, position␣
˓→(1.00,0.00,0.00) and speed (0.00,1.00,0.00)

=> Final system : Particle with mass 1.00, position (-1.00,-0.00,0.00) and speed (0.00,-1.00,0.
˓→00)

** Electrostatic computation of central-force motion for a Ion with mass 1.00, charge 4,␣
˓→position (0.00,0.00,1.00) and speed (0.00,0.00,-1.00)

=> Final system : Ion with mass 1.00, charge 4, position (0.00,0.00,7.69) and speed (0.00,0.00,
˓→2.82)

*********** Physical computations end ************

11.8.2 Protein Data Bank

On chercher a réaliser un script qui analyse un fichier de données de type Protein Data Bank.
La banque de données Worldwide Protein Data Bank regroupe les structures obtenues par diffraction
aux rayons X ou par RMN. Le format est parfaitement defini et conventionnel (documentation).
On propose d’assurer une lecture de ce fichier pour calculer notamment :
— le barycentre de la biomolécule
— le nombre d’acides aminés ou nucléobases
— le nombre d’atomes
— la masse moléculaire
— les dimensions maximales de la protéine
— etc.
On propose de considerer par exemple la structure resolue pour la GFP (Green Fluorescent Protein, Prix
Nobel 2008) (Fichier PDB)

11.8. Exercices en vrac 117

Analyse scientifique avec Python, Version Janvier 2021

118 Chapitre 11. Exercices

 CHAPITRE 12

Projets

Table des matières

— Projets
— Physique
— Astrophysique
— Relation masse/rayon d’une naine blanche
— Section de Poincaré
— Divers
— Formation de pistes de fourmis sur un pont à 2 branches
— Auto-organisation d’un banc de poisson
— Évacuation d’une salle & déplacement d’une foule dans une rue
— Suivi de particule(s)
— Mini-projets
— Statistiques
— Visualisation
— Divers
— Contribution à un projet Open Source

12.1 Physique

12.2 Astrophysique

12.2.1 Relation masse/rayon d’une naine blanche

D’après la théorie de l’évolution stellaire, les naines blanches sont l’un des états possibles d’une étoile
(peu massive) à la fin de sa vie, lorsque les réactions de fusion thermonucléaire s’arrêtent.
En première approximation un corps astrophysique est essentiellement soumis à la force de gravitation
(qui tend à le contracter) et une force interne de pression qui vient équilibrer la première. Ainsi on peut
approcher le problème par un équilibre hydrostatique caractérisé par :

𝐺𝑀 (𝑟)
∇𝑃 (𝑟) = −𝜌(𝑟) 𝑒𝑟
𝑟2

119
Analyse scientifique avec Python, Version Janvier 2021

où G est la constante de gravitation, 𝑃 (𝑟), 𝜌(𝑟) et 𝑀 (𝑟) respectivement la pression, la densité à la

distance r du centre et la masse dans une sphère de rayon r.
Il s’agit d’étudier ici quelle force peut équilibrer la gravitation pour une naine blanche et mettre en
évidence une masse limite en étudiant la relation rayon/masse.

Modélisation

La masse et le rayon d’équilibre de ce système sont entièrement déterminés par l’équation d’état ther-
modynamique 𝑃 = 𝑃 (𝜌) et la densité centrale. En effet on montre facilement que :
(︂ )︂−1
𝑑𝜌 𝑑𝑃 𝐺𝑀
=− 𝜌
𝑑𝑟 𝑑𝜌 𝑟2
𝑑𝑀
= 4𝜋𝑟2 𝜌
𝑑𝑟
Une fois que les réactions thermonucléaires s’arrêtent, la première des forces empêchant l’étoile de s’ef-
fondrer vient de la pression due aux électrons. Le modèle que nous utiliserons sera donc un simple gaz
d’électrons (masse 𝑚𝑒 et de nombre par unité de volume n) plongé dans un gaz de noyaux (on note 𝑌𝑒
le nombre d’électrons par nucléon et 𝑀𝑛 la masse d’un nucléon) d’équation d’état :

𝐸
= 𝑛0 𝑚𝑒 𝑐2 𝑥3 𝜀(𝑥),
𝑉
(︂ )︂ 13
𝜌
avec 𝑥 = ,
𝜌0
𝑚3 𝑐3
𝑛0 = 3𝑒 2 ,
3~ 𝜋
𝑀𝑛 𝑛 0
𝜌0 =
𝑌𝑒
3 [︁ √︀ (︁ √︀ )︁]︁
et 𝜀(𝑥) = 3 𝑥(1 + 2𝑥2 ) 1 + 𝑥2 − ln 𝑥 + 1 + 𝑥2
8𝑥
12
Si tous les noyaux sont du 𝐶, alors 𝑌𝑒 = 1/2.
1. Montrer que le système d’équations à résoudre est
(︃ √ )︃
𝑑𝜌 3𝑀𝑛 𝐺 1 + 𝑥2 𝑀
=− 𝜌
𝑑𝑟 𝑌𝑒 𝑚𝑒 𝑐2 𝑥2 𝑟2
𝑑𝑀
= 4𝜋𝑟2 𝜌
𝑑𝑟

2. En fixant la densité centrale 𝜌(𝑟 = 0) = 𝜌𝑐 tracer 𝜌(𝑟) et en déduire une méthode pour calculer le
rayon R de l’étoile et sa masse M.
3. En faisant varier la densité centrale tracer la relation 𝑀 (𝑅).
4. Discuter la validité numérique et physique des résultats par exemple en changeant la composition
de l’étoile, la définition du rayon de l’étoile, etc.

12.2.2 Section de Poincaré

Les équations du mouvement 1 𝑟(𝑡) = (𝑥(𝑡), 𝑦(𝑡)) d’une particule de masse 𝑚 plongée dans un potentiel
Φ(𝑥, 𝑦) s’écrivent :

𝑟 = −∇Φ.
𝑚¨
1. On se place dans toute la suite du problème dans un espace à deux dimensions.

120 Chapitre 12. Projets

 Analyse scientifique avec Python, Version Janvier 2021

En coordonnées polaires :
1 𝜕Φ
𝑎𝑟 = 𝑟¨ − 𝑟𝜃˙2 = −
𝑚 𝜕𝑟
1 𝜕Φ
𝑎𝜃 = 2𝑟˙ 𝜃˙ + 𝑟𝜃¨ = −
𝑚𝑟 𝜕𝜃
Le système peut donc s’écrire :
1 𝜕Φ
𝑟¨ = 𝑟𝜃˙2 −
𝑚 𝜕𝑟
2 1 𝜕Φ
𝜃¨ = − 𝑟˙ 𝜃˙ −
𝑟 𝑚𝑟2 𝜕𝜃
ou en posant 𝑟𝑝 = 𝑟˙ et 𝜃𝑝 = 𝜃˙ :

𝑟˙ = 𝑟𝑝
𝜃˙ = 𝜃𝑝
1 𝜕Φ
𝑟˙𝑝 = 𝑟𝜃𝑝2 −
𝑚 𝜕𝑟
2 1 𝜕Φ
𝜃˙𝑝 = − 𝑟𝑝 𝜃𝑝 −
𝑟 𝑚𝑟2 𝜕𝜃
˙ =
L’intégration – analytique ou numérique – de ces équations pour des conditions initiales (𝑟(𝑡 = 0), 𝑟(𝑡
0)) particulières caractérise une orbite. Le tracé de l’ensemble des points d’intersection de différentes
orbites de même énergie avec le plan, p.ex., (𝑥, 𝑥)˙ (avec 𝑦 = 0 et 𝑦˙ > 0) constitue une section de
Poincaré.
Nous étudierons plus particulièrement le cas particulier 𝑚 = 1 et les deux potentiels :
1. le potentiel intégrable de Sridhar & Touma (1997 ; MNRAS, 287, L1) 2 , qui s’exprime naturelle-
ment dans les coordonnées polaires (𝑟, 𝜃) :

Φ(𝑟, 𝜃) = 𝑟𝛼 (1 + cos 𝜃)1+𝛼 + (1 − cos 𝜃)1+𝛼 .

[︀ ]︀

avec p.ex. 𝛼 = 1/2 ;

2. le potentiel de Hénon-Heiles :
1 2 1 3
Φ(𝑟, 𝜃) = 𝑟 + 𝑟 sin(3𝜃).
2 3

Objectif

1. Écrire un intégrateur numérique permettant de résoudre les équations du mouvement pour un

potentiel et des conditions initiales données.
2. Les performances de cet intégrateur seront testées sur des potentiels intégrables (p.ex. potentiel
képlerien Φ ∝ 1/𝑟), ou en vérifiant la stabilité des constantes du mouvement (l’énergie 𝐸 =
1 2
˙
2 𝑟 + Φ).
3. Pour chacun des potentiels, intégrer et stocker une grande variété d’orbites de même énergie, en
prenant soin de bien résoudre la zone d’intérêt autour de (𝑦 = 0, 𝑦˙ > 0).
4. À l’aide de fonctions d’interpolation et de recherche de zéro, déterminer pour chacune des orbites
les coordonnées (𝑥, 𝑥)
˙ de l’intersection avec le plan (𝑦 = 0, 𝑦˙ > 0).
5. Pour chacun des potentiels, regrouper ces points par orbite pour construire la section de Poincaré
de ce potentiel.
2. Nous utiliserons toutefois les notations de l’appendice de Copin, Zhao & de Zeeuw (2000; MNRAS, 318, 781).

12.2. Astrophysique 121

Analyse scientifique avec Python, Version Janvier 2021

12.3 Divers

12.3.1 Formation de pistes de fourmis sur un pont à 2 branches

Si on propose à une colonie de fourmis de choisir entre 2 branches pour rejoindre une source de nourriture
la branche finalement choisie est toujours la plus courte. Le projet consiste à modéliser et caractériser ce
comportement.
Indication : on peut étudier ce système avec des EDOs. Cela peut aussi donner lieu à une simulation
individu centré et éventuellement une comparaison entre les deux types de modèle.

Fig. 12.1 – Figure : 1) la première fourmi trouve la source de nourriture (F), via un chemin quelconque
(a), puis revient au nid (N) en laissant derrière elle une piste de phéromone (b). 2) les fourmis empruntent
indifféremment les 4 chemins possibles, mais le renforcement de la piste rend plus attractif le chemin le
plus court. 3) les fourmis empruntent le chemin le plus court, les portions longues des autres chemins
voient la piste de phéromones s’évaporer. Source : Johann Dréo via Wikimedia Commons.

12.3.2 Auto-organisation d’un banc de poisson

Auteur de la section : Hanna Julienne <[email protected]>
La coordination d’un banc de poissons ou d’un vol d’oiseaux est tout à fait frappante : les milliers
d’individus qui composent ces structures se meuvent comme un seul. On observe aussi, dans les bancs de
poisson, d’impressionnants comportements d’évitement des prédateurs (flash expansion, fountain effect).
Pourtant ces mouvements harmonieusement coordonnés ne peuvent pas s’expliquer par l’existence d’un
poisson leader. Comment pourrait-il être visible par tous ou diriger les flash expansion qui ont lieu à
un endroit précis du banc de poisson ? De la même manière on ne voit pas quelle contrainte extérieure
pourrait expliquer le phénomène.
Une hypothèse plus vraisemblable pour rendre compte de ces phénomènes est que la cohérence de l’en-
semble est due à la somme de comportements individuels. Chaque individu adapte son comportement
par rapport à son environnement proche. C’est ce qu’on appelle auto-organisation. En effet, on a éta-
bli expérimentalement que les poissons se positionnent par rapport à leurs k plus proches voisins de la
manière suivante :
— ils s’éloignent de leurs voisins très proches (zone de répulsion en rouge sur la figure ci-dessous)
— ils s’alignent avec des voisins qui sont à distance modérée (zone jaune)
— ils s’approchent de leur voisins s’ils sont à la fois suffisamment proches et distants (zone verte)
Dans notre modèle, nous allons prendre en compte l’influence des k plus proches voisins. On calculera
la contribution de chaque voisin selon la zone dans laquelle il se situe. Le déplacement du poisson sera
la moyenne de ces contributions. Il est à noter qu’un voisin en dehors des trois zones d’influence n’a pas
d’effet.

122 Chapitre 12. Projets

 Analyse scientifique avec Python, Version Janvier 2021

Fig. 12.2 – Figure : Environnement proche du poisson : zones dans lesquelles le positionnement d’un
voisin provoque une réponse de la part de l’individu au centre

L’environnement proche d’un poisson est modélisé par des sphères imbriquées qui présentent une zone
aveugle (voir figure).
Par ailleurs, si un individu n’a pas de voisins dans son environnement proche il adopte un comportment de
recherche. Il explore aléatoirement les alentours jusqu’à ce qu’il repère le banc de poissons et finalement
s’en rapproche.
Ce projet vise à :
— Coder le comportement des poissons et à les faire évoluer dans un environnement 2D.
— On essaiera d’obtenir un comportement collectif cohérent (similaire à un banc de poisson) et
d’établir les conditions nécessaires à ce comportement.
— On étudiera notamment l’influence du nombre d’individus pris en compte. Est-ce que le position-
nement par rapport au plus proche voisin (k = 1) est suffisant ?
— On pourra se servir de la visualisation pour rendre compte de la cohérence du comportment et
éventuellement inventer des mesures pour rendre compte de manière quantifier de cette cohérence.

Liens :

— Craig Reynolds Boids

— Comment les poissons interagissent et coordonnent leurs déplacements dans un banc

12.3.3 Évacuation d’une salle & déplacement d’une foule dans une rue
Le comportement d’une foule est un problème aux applications multiples : évacuation d’une salle, couloir
du métro aux heures de pointes, manifestations. . . On peut en imaginer des modèles simples. P. ex., on
peut décrire chaque individu par sa position, sa vitesse, et comme étant soumis à des « forces » :
— Une force qui spécifie la direction dans laquelle l’individu veut se déplacer, f𝑑𝑖𝑟 = (v0 − v(𝑡))/𝜏 ,
où v0 est la direction et la vitesse que la personne veut atteindre, v sa vitesse actuelle, et 𝜏 un
temps caractéristique d’ajustement.
— Une force qui l’oblige à éviter des obstacles qui peuvent être fixes (un mur, un massif de fleurs, . . . ),
ou qui peuvent être les autres individus eux-mêmes. On pourra essayer 𝑓𝑜𝑏𝑠 (𝑑) = 𝑎 exp(−𝑑/𝑑0 ),
où 𝑑 est la distance entre le piéton et l’obstacle, 𝑑0 la « portée » de la force, et 𝑎 son amplitude.
On pourra varier les différents paramètres apparaissant ci-dessus, tout en leur donnant une interpréta-
tion physique réelle, et étudier leur influence dans des situations concrètes. P. ex., à quelle vitesse, en

12.3. Divers 123

Analyse scientifique avec Python, Version Janvier 2021

fonction de v0 et de la densité de piétons, se déplace une foule contrainte à avancer dans un couloir si
chaque individu veut maintenir une vitesse v0 ? Comment s’organise l’évacuation d’une salle initialement
uniformément peuplée, avec une ou plusieurs sorties, et en la présence éventuels d’obstacles ?
Il est également possible d’essayer d’autres expressions pour les forces.
Il existe une littérature conséquente sur le sujet, que l’on pourra explorer si besoin (p. ex : Décrypter le
mouvement des piétons dans une foule).

Fig. 12.3 – Figure : Un obstacle aide à l’évacuation (DR).

12.3.4 Suivi de particule(s)

Auteur de la section : Mathieu Leocmach <[email protected]>
Dans de nombreux domaines de recherche expérimentale, on a besoin de localiser des particles dans une
image ou de reconstituer leurs trajectoires à partir d’une vidéo. Il peut s’agir de virus envahissant une
cellule, de traceurs dans un écoulement, d’objets célestes fonçant vers la terre pour la détruire, etc.
Dans ce projet, on essayera d’abord de localiser une particule unique dans une image à 2 dimensions
(niveaux de gris) en utilisant l’algorithme de Crocker & Grier décrit ici. On utilisera sans retenue les
fonctions de la bibliothèque scipy.ndimage.
On essayera d’obtenir une localisation plus fine que la taille du pixel. On essayera ensuite de détecter
plusieurs particules dans une image.
Afin de pouvoir traiter efficacement une séquence d’images de même taille, on privilégiera une implé-
mentation orientée objet. L’objet de la classe Finder sera construit une seule fois en début de séquence
et il contiendra les images intermédiaires nécessaire au traitement. On nourrira ensuite cet objet avec
chaque image de la séquence pour obtenir les coordonnées des particules.
Enfin, on pourra essayer de relier les coordonnées dans des images successives pour constituer des tra-
jectoires.
On contactera le créateur du sujet pour obtenir des séquences d’images expérimentales de particules
Browniennes.

Fig. 12.4 – Figure : Exemple d’image test où on voudra localiser les particules.

124 Chapitre 12. Projets

 Analyse scientifique avec Python, Version Janvier 2021

12.4 Mini-projets
Ces mini-projets demande un investissement de développement et d’analyse moindre, et peuvent être
traités (ou au moins initiés) en quelques heures comme des exercices ouverts.

12.4.1 Statistiques
— Tests statistiques du NIST/SEMATECH e-Handbook of Statistical Methods, p.ex. Comparisons
based on data from two processes
— Statistiques robustes, p.ex. Beers et al. (1990)

12.4.2 Visualisation
L’objectif premier de ces projets est de développer des outils de visualisation sous Python/Matplotlib.
— Coordonnées parallèles
— Sources éventuelles d’inspiration : Parallel Coordinates plot in Matplotlib, XDAT
— Exemples de jeu de données multi-variables : Iris flower data set, Cars (source)
— Andrew Curves (voir également Rip’s Applied Mathematics Blog). À appliquer sur les mêmes
jeux de données que pour les coordonnées parallèles.
— Stacked graphs (source éventuelle d’inspiration : Python recipe)
— Hertzsprung-Russel diagram : l’objectif est de développer une classe permettant de tracer des dia-
grammes HR à partir de diverses quantités observationnelles (magnitudes apparentes ou absolues,
couleurs) ou théoriques (luminosité, températures effectives), ainsi que des isochrones.
— Source éventuelle d’inspiration : Stellar evolutionary tracks
— Données photométriques : p.ex. M55 (source : BVI photometry in M55)
— Données théoriques : p.ex. CMD
— Treemap (source éventuelle d’inspiration : Treemaps under pylab)
— De façon plus générale, l’ensemble des visualisations proposées sous :
— Flare
— D3
— Periodic Table of Vizualisation Methods

12.4.3 Divers
— Numération_romaine *
— Jeu du Taquin **
— Jeu du Mastermind **
— Abelian_sandpile_model ***
— Jeu 2048 (voir également Make your own 2048 in python) ***

12.4.4 Contribution à un projet Open Source

Vous pouvez également contribuer, à la hauteur de vos capacités (connaissance, temps) à un projet Open
Source, p.ex. identification et correction de bugs, ajout de nouvelles fonctionnalités, documentation, etc.
Ces projets sont souvent maintenus sur des plateformes de développement collaboratif telles que github.
Les bugs sont souvent classés selon différentes catégories, p.ex. pour astropy, : documentation, good first
issue, Package novice, etc. ; le même genre de tags existe pour d’autres projets (p.ex. numpy, matplotlib,
pandas).
Généralement, les plus gros projets ont des exigences de contribution plus fortes (voir p.ex. Contributing
to Matplotlib), mais vous pouvez toujours contribuer aux discussions.

12.4. Mini-projets 125

Analyse scientifique avec Python, Version Janvier 2021

126 Chapitre 12. Projets

 CHAPITRE 13

Annales d’examen

13.1 Simulation de chute libre (partiel nov. 2014)

— Énoncé (PDF) et fichier d'entrée

— Corrigé

13.2 Examen janvier 2015

— Énoncé (PDF) ou Examen final, Janvier 2015 .

— Exercice : velocimetrie.dat
— Problème : exam_1501.py, ville.dat
— Corrigé, figure

The following section was generated from Cours/astropy.ipynb . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

127
Analyse scientifique avec Python, Version Janvier 2021

128 Chapitre 13. Annales d’examen

 CHAPITRE 14

Démonstration Astropy

Nous présentons ici quelques possibilités de la bibliothèque Astropy.

Référence : cette démonstration est très largement inspirée de la partie Astropy du cours Python
Euclid 2016.

[1]: import numpy as N

import matplotlib.pyplot as P
try:
import seaborn
seaborn.set_color_codes() # Override default matplotlib colors 'b', 'r', 'g', etc.
except ImportError:
pass

# Interactive figures
# %matplotlib notebook
# Static figures
%matplotlib inline

14.1 Fichiers FITS

Le format FITS (Flexible Image Transport System) constitue le format de données historique (et encore
très utilisé) de la communauté astronomique. Il permet le stockage simultané de données – sous forme
de tableaux numériques multidimensionnels (spectre 1D, image 2D, cube 3D, etc.) ou de tables de
données structurées (texte ou binaires) – et des métadonnées associées – sous la forme d’un entête ASCII
nommé header. Il autorise en outre de combiner au sein d’un même fichier différents segments de données
(extensions, p.ex. le signal et la variance associée) sous la forme de HDU (Header-Data Units).
Le fichier FITS de test est disponible ici : image.fits (données Herschel Space Observatory)

129
 Analyse scientifique avec Python, Version Janvier 2021

14.1.1 Lire un fichier FITS

[2]: from astropy.io import fits as F

filename = "image.fits"
hdulist = F.open(filename)

hdulist est un objet HDUList de type liste regroupant les différents HDU du fichier :
[3]: hdulist.info()
Filename: image.fits
No. Name Ver Type Cards Dimensions Format
0 PRIMARY 1 PrimaryHDU 151 ()
1 image 1 ImageHDU 52 (273, 296) float64
2 error 1 ImageHDU 20 (273, 296) float64
3 coverage 1 ImageHDU 20 (273, 296) float64
4 History 1 ImageHDU 23 ()
5 HistoryScript 1 BinTableHDU 39 105R x 1C [300A]
6 HistoryTasks 1 BinTableHDU 46 77R x 4C [1K, 27A, 1K, 9A]
7 HistoryParameters 1 BinTableHDU 74 614R x 10C [1K, 20A, 7A, 46A, 1L, 1K, 1L,␣
˓→74A, 11A, 41A]

Chaque HDU contient :

— un attribut data pour la partie données sous la forme d’un numpy.array ou d’une structure
équivalente à un tableau à type structuré ;
— un attribut header pour la partie métadonnées sous la forme « KEY = value / comment ».
[4]: imhdu = hdulist['image']
print(type(imhdu.data), type(imhdu.header))
<class 'numpy.ndarray'> <class 'astropy.io.fits.header.Header'>

Il est également possible de lire directement les données et les métadonnées de l’extension image :
[5]: ima, hdr = F.getdata(filename, 'image', header=True)
print(type(ima), type(hdr))
<class 'numpy.ndarray'> <class 'astropy.io.fits.header.Header'>

data contient donc les données numériques, ici un tableau 2D :

[6]: N.info(ima)
class: ndarray
shape: (296, 273)
strides: (2184, 8)
itemsize: 8
aligned: True
contiguous: True
fortran: False
data pointer: 0x7fc7b6551ec0
byteorder: big
byteswap: True
type: >f8

L’entête hdr est un objet de type Header similaire à un OrderedDict (dictionnaire ordonné).
[7]: hdr[:5] # Les 5 premières clés de l'ent^ete
[7]: XTENSION= 'IMAGE ' / Java FITS: Wed Aug 14 11:37:21 CEST 2013
BITPIX = -64
NAXIS = 2 / Dimensionality
NAXIS1 = 273
NAXIS2 = 296

130 Chapitre 14. Démonstration Astropy

 Analyse scientifique avec Python, Version Janvier 2021

Attention : les axes des tableaux FITS et NumPy arrays sont inversés !

[8]: print("FITS: ", (hdr['naxis1'], hdr['naxis2'])) # format de l'image FITS

print("Numpy:", ima.shape) # format du tableau numpy
FITS: (273, 296)
Numpy: (296, 273)

14.1.2 World Coordinate System

L’entête d’un fichier FITS peut notamment inclure une description détaillée du système de coordonnées
lié aux données, le World Coordinate System.

[9]: from astropy import wcs as WCS

wcs = WCS.WCS(hdr) # Décrypte le WCS à partir de l'ent^ete

print(wcs)
WCS Keywords

Number of WCS axes: 2

CTYPE : 'RA---TAN' 'DEC--TAN'
CRVAL : 30.07379502155236 -24.903630299920962
CRPIX : 134.0 153.0
NAXIS : 273 296

[10]: ra, dec = wcs.wcs_pix2world(0, 0, 0) # Coordonnées réelles du px (0, 0)

print("World:", ra, dec)
x, y = wcs.wcs_world2pix(ra, dec, 0) # Coordonnées dans l'image de la position (ra, dec)
print("Image:", x, y)
World: 30.31868700299246 -25.156760607162152
Image: -3.211653165635653e-12 -1.0516032489249483e-12

14.1.3 Visualisation dans matplotlib

Les tableaux 2D (image) se visualisent à l’aide de la commande imshow :
— cmap : table des couleurs ;
— vmin, vmax : valeurs minimale et maximale des données visualisées ;
— origin : position du pixel (0, 0) (“lower” = en bas à gauche).

[11]: fig, ax = P.subplots(figsize=(6, 6))

ax.imshow(ima, cmap='viridis', origin='lower', interpolation='None', vmin=-2e-2, vmax=5e-2)
ax.set_xlabel("x [px]")
ax.set_ylabel("y [px]")
ax.set_title(filename);

14.1. Fichiers FITS 131

 Analyse scientifique avec Python, Version Janvier 2021

Il est possible d’ajouter d’autres systèmes de coordonnées via WCS.

[12]: import astropy.visualization as VIZ

from astropy.visualization.mpl_normalize import ImageNormalize

fig = P.figure(figsize=(8, 8))

ax = fig.add_subplot(1, 1, 1, projection=wcs)

# 10th and 99th percentiles

vmin, vmax = VIZ.AsymmetricPercentileInterval(10, 99).get_limits(ima)
# Linear normalization
norm = ImageNormalize(vmin=vmin, vmax=vmax, stretch=VIZ.LinearStretch())

ax.imshow(ima, cmap='gray', origin='lower', interpolation='None', norm=norm)

# Coordonnées équatoriales en rouge

ax.coords['ra'].set_axislabel(u'α [J2000]')
ax.coords['dec'].set_axislabel(u'δ [J2000]')

ax.coords['ra'].set_ticks(color='r')
ax.coords['dec'].set_ticks(color='r')

ax.coords.grid(color='r', ls='-', lw=2)

# Coordonnées galactiques en vert

overlay = ax.get_coords_overlay('galactic')

overlay['l'].set_axislabel('Galactic Longitude')
overlay['b'].set_axislabel('Galactic Latitude')

overlay['l'].set_ticks(color='g')
overlay['b'].set_ticks(color='g')

overlay.grid(color='g', ls='--', lw=2)

132 Chapitre 14. Démonstration Astropy

 Analyse scientifique avec Python, Version Janvier 2021

14.2 Tables
Outre les tables FITS, astropy permet lire et écrire des Tables dans de nombreux formats ASCII usuels
en astronomie (LaTeX, HTML, CDS, SExtractor, etc.).
Le fichier ASCII de test est disponible ici : sources.dat

[13]: from astropy.io import ascii

catalog = ascii.read('sources.dat')
catalog.info()
<Table length=167>
name dtype
------------ -------
ra float64
dec float64
x float64
y float64
raPlusErr float64
decPlusErr float64
raMinusErr float64
decMinusErr float64
xPlusErr float64
yPlusErr float64
(suite sur la page suivante)

14.2. Tables 133

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

xMinusErr float64
yMinusErr float64
flux float64
fluxPlusErr float64
fluxMinusErr float64
background float64
bgPlusErr float64
bgMinusErr float64
quality float64

[14]: catalog.sort('flux') # Ordonne les sources par 'flux' croissant

catalog.reverse() # Ordonne les sources par 'flux' décroissant

#catalog.show_in_notebook(display_length=5)
catalog[:5] # Les cinq sources les plus brillantes du catalogue
[14]: <Table length=5>
ra dec x ... bgMinusErr quality
float64 float64 float64 ... float64 float64
------------- -------------- ------------- ... ---------------- -------------
30.0736543481 -24.8389847181 133.076596062 ... 0.00280563968109 24.0841967062
30.0997563127 -25.030193106 118.886083699 ... 0.00310958937187 16.5084425251
30.2726211379 -25.0771584874 24.9485847511 ... 0.00603800958334 6.67900541976
29.8763509609 -24.7518860739 240.583543382 ... 0.00466051306854 9.08251222505
29.8668948822 -24.8539846811 245.642862323 ... 0.00330155226713 8.43689223988

Histogramme des flux, avec choix automatique du nombre de bins :

[15]: import astropy.visualization as VIZ

fig, ax = P.subplots()
VIZ.hist(catalog['flux'], bins='freedman', ax=ax, histtype='stepfilled')
ax.set(xlabel="Flux", title="%d sources" % len(catalog));

Après conversion des coordonnées RA-Dec de la table en coordonnées, on peut superposer la position
des 5 sources les plus brillantes du catalogue à l’image précédente :
[16]: fig, ax = P.subplots(figsize=(6, 6))
ax.imshow(ima, cmap='gray', origin='lower', interpolation='None', vmin=-2e-2, vmax=5e-2)
ax.set(xlabel="x [px]", ylabel="y [px]", title=filename)

x, y = wcs.wcs_world2pix(catalog['ra'][:5], catalog['dec'][:5], 0)
(suite sur la page suivante)

134 Chapitre 14. Démonstration Astropy

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

ax.scatter(x, y, color='r', label="Brightest sources")
ax.legend();

14.3 Quantités et unités

Astropy permet de définir des Quantités dimensionnées et de gérer les conversions d’unités.

[17]: from astropy import units as U

from astropy import constants as K

print("Vitesse de la lumière: {:.9g} = {:.9g} ".format(K.c, K.c.to("Mpc/Ga")))

Vitesse de la lumière: 299792458 m / s = 306.601394 Mpc / Ga

[18]: H0 = 70 * U.km / U.s / U.Mpc

print ("H0 = {:.1f} = {:.1f} = {:.1f} = {:.3g} ".format(H0, H0.to("nm/(a*km)"), H0.to("Mpc/
˓→(Ga*Gpc)"), H0.decompose()))

H0 = 70.0 km / (Mpc s) = 71.6 nm / (a km) = 71.6 Mpc / (Ga Gpc) = 2.27e-18 1 / s

[19]: l = 100 * U.micron

print("{} = {} ".format(l, l.to(U.GHz, equivalencies=U.spectral())))

s = 1 * U.mJy
print ("{} = {} à {} ".format(s, s.to('erg/(cm**2 * s * angstrom)',
equivalencies=U.spectral_density(1 * U.micron)), 1 * U.
˓→micron))

100.0 micron = 2997.9245800000003 GHz

1.0 mJy = 2.997924580000001e-16 erg / (Angstrom cm2 s) à 1.0 micron

14.3. Quantités et unités 135

 Analyse scientifique avec Python, Version Janvier 2021

14.4 Calculs cosmologiques

Astropy permet des calculs de base de cosmologie.

[20]: from astropy.cosmology import Planck15 as cosmo

print(cosmo)
FlatLambdaCDM(name="Planck15", H0=67.7 km / (Mpc s), Om0=0.307, Tcmb0=2.725 K, Neff=3.05, m_
˓→nu=[ 0. 0. 0.06] eV, Ob0=0.0486)

[21]: z = N.logspace(-2, 1, 100)

fig = P.figure(figsize=(14, 6))

# Ax1: lookback time

ax1 = fig.add_subplot(1, 2, 1,
xlabel="Redshift", xscale='log')
ax1.plot(z, cosmo.lookback_time(z), 'b-')
ax1.set_ylabel("Lookback time [Ga]", color='b')
ax1.set_yscale('log')

ax1.xaxis.set_minor_locator(P.matplotlib.ticker.LogLocator(subs=range(2,10)))
ax1.yaxis.set_minor_locator(P.matplotlib.ticker.LogLocator(subs=range(2,10)))
ax1.grid(which='minor', color='w', linewidth=0.5)

# En parallèle: facteur d'échelle

ax1b = ax1.twinx()
ax1b.plot(z, cosmo.scale_factor(z), 'r-')
ax1b.set_ylabel("Scale factor", color='r')
ax1b.set_yscale('log')
ax1b.grid(False)

ht = (1/cosmo.H0).to('Ga') # Hubble time

ax1.axhline(ht.value, c='b', ls='--')
ax1.annotate("Hubble time = {:.2f} ".format(ht), (z[1], ht.value), (3,3),
textcoords='offset points', size='small');

# Ax2: distances de luminosité et angulaire

ax2 = fig.add_subplot(1, 2, 2,
xlabel="Redshift", xscale='log')
ax2.plot(z, cosmo.luminosity_distance(z), 'k-', label="Luminosity distance")
ax2.plot(z, cosmo.angular_diameter_distance(z), 'k--', label="Angular distance")
ax2.set_ylabel("Distance [Mpc]")
ax2.set_yscale('log')
ax2.legend()

ax2.xaxis.set_minor_locator(P.matplotlib.ticker.LogLocator(subs=range(2,10)))
ax2.yaxis.set_minor_locator(P.matplotlib.ticker.LogLocator(subs=range(2,10)))
ax2.grid(which='minor', color='w', linewidth=0.5)

# En parallèle, module de distance

ax2b = ax2.twinx()
ax2b.plot(z, cosmo.distmod(z), 'k-', visible=False) # Just to get the scale
ax2b.set_ylabel("Distance modulus")

fig.subplots_adjust(wspace=0.3)
fig.suptitle(cosmo.name, fontsize='x-large');

136 Chapitre 14. Démonstration Astropy

 Analyse scientifique avec Python, Version Janvier 2021

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Cours/astropy.ipynb ends here.

The following section was generated from Cours/pokemon.ipynb . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

14.4. Calculs cosmologiques 137

Analyse scientifique avec Python, Version Janvier 2021

138 Chapitre 14. Démonstration Astropy

 CHAPITRE 15

Pokémon Go ! (démonstration Pandas/Seaborn)

Voici un exemple d’utilisation des libraries Pandas (manipulation de données hétérogène) et Seaborn
(visualisations statistiques), sur le Pokémon dataset d’Alberto Barradas.
Références :
— Visualizing Pokémon Stats with Seaborn
— Pokemon Stats Analysis And Visualizations

[1]: import pandas as PD

import seaborn as SNS
import matplotlib.pyplot as P

%matplotlib inline

15.1 Lecture et préparation des données

Pandas fournit des méthodes de lecture des données à partir de nombreux formats, dont les données
Comma Separated Values :

[2]: df = PD.read_csv('./Pokemon.csv', index_col='Name') # Indexation sur le nom (unique)

df.info() # Informations générales
<class 'pandas.core.frame.DataFrame'>
Index: 800 entries, Bulbasaur to Volcanion
Data columns (total 12 columns):
# 800 non-null int64
Type 1 800 non-null object
Type 2 414 non-null object
Total 800 non-null int64
HP 800 non-null int64
Attack 800 non-null int64
Defense 800 non-null int64
Sp. Atk 800 non-null int64
Sp. Def 800 non-null int64
Speed 800 non-null int64
Generation 800 non-null int64
Legendary 800 non-null bool
dtypes: bool(1), int64(9), object(2)
memory usage: 75.8+ KB

139
 Analyse scientifique avec Python, Version Janvier 2021

Les premières lignes du DataFrame (tableau 2D) qui en résulte :

[3]: df.head(10) # Les 10 premières lignes

[3]: # Type 1 Type 2 Total HP Attack Defense \
Name
Bulbasaur 1 Grass Poison 318 45 49 49
Ivysaur 2 Grass Poison 405 60 62 63
Venusaur 3 Grass Poison 525 80 82 83
VenusaurMega Venusaur 3 Grass Poison 625 80 100 123
Charmander 4 Fire NaN 309 39 52 43
Charmeleon 5 Fire NaN 405 58 64 58
Charizard 6 Fire Flying 534 78 84 78
CharizardMega Charizard X 6 Fire Dragon 634 78 130 111
CharizardMega Charizard Y 6 Fire Flying 634 78 104 78
Squirtle 7 Water NaN 314 44 48 65

Sp. Atk Sp. Def Speed Generation Legendary

Name
Bulbasaur 65 65 45 1 False
Ivysaur 80 80 60 1 False
Venusaur 100 100 80 1 False
VenusaurMega Venusaur 122 120 80 1 False
Charmander 60 50 65 1 False
Charmeleon 80 65 80 1 False
Charizard 109 85 100 1 False
CharizardMega Charizard X 130 85 100 1 False
CharizardMega Charizard Y 159 115 100 1 False
Squirtle 50 64 43 1 False

Le format est ici simple :

— nom du Pokémon (utilisé comme indice) et son n° (notons que le n° n’est pas unique)
— type primaire et éventuellement secondaire str
— différentes caractéristiques int (p.ex. points de vie, niveaux d’attage et défense, vitesse, génération)
— type légendaire bool
Nous appliquons les filtres suivants directement sur le dataframe (inplace=True) :
— simplifier le nom des mega pokémons
— remplacer les NaN de la colonne « Type 2 »
— éliminer les colonnes « # » et « Sp. »

[4]: df.set_index(df.index.str.replace(".*(?=Mega)", ''), inplace=True) # Supprime la cha^ıne␣

˓→avant Mega

df['Type 2'].fillna('', inplace=True) # Remplace NaN par ''

df.drop(['#'] + [ col for col in df.columns if col.startswith('Sp.')],
axis=1, inplace=True) # "Laisse tomber" les colonnes commençant par 'Sp.'
df.head() # Les 5 premières lignes
[4]: Type 1 Type 2 Total HP Attack Defense Speed Generation \
Name
Bulbasaur Grass Poison 318 45 49 49 45 1
Ivysaur Grass Poison 405 60 62 63 60 1
Venusaur Grass Poison 525 80 82 83 80 1
Mega Venusaur Grass Poison 625 80 100 123 80 1
Charmander Fire 309 39 52 43 65 1

Legendary
Name
Bulbasaur False
Ivysaur False
Venusaur False
Mega Venusaur False
Charmander False

140 Chapitre 15. Pokémon Go ! (démonstration Pandas/Seaborn)

 Analyse scientifique avec Python, Version Janvier 2021

15.2 Accès aux données

Pandas propose de multiples façons d’accéder aux données d’un DataFrame, ici :
— via le nom (indexé) :
[5]: df.loc['Bulbasaur', ['Type 1', 'Type 2']] # Seulement 2 colonnes
[5]: Type 1 Grass
Type 2 Poison
Name: Bulbasaur, dtype: object

— par sa position dans la liste :

[6]: df.iloc[-5:, :2] # Les 5 dernières lignes, et les 2 premières colonnes
[6]: Type 1 Type 2
Name
Diancie Rock Fairy
Mega Diancie Rock Fairy
HoopaHoopa Confined Psychic Ghost
HoopaHoopa Unbound Psychic Dark
Volcanion Fire Water

— par une sélection booléenne, p.ex. tous les pokémons légendaires de type herbe :
[7]: df[df['Legendary'] & (df['Type 1'] == 'Grass')]
[7]: Type 1 Type 2 Total HP Attack Defense Speed \
Name
ShayminLand Forme Grass 600 100 100 100 100
ShayminSky Forme Grass Flying 600 100 103 75 127
Virizion Grass Fighting 580 91 90 72 108

Generation Legendary
Name
ShayminLand Forme 4 True
ShayminSky Forme 4 True
Virizion 5 True

15.3 Quelques statistiques

[8]: df[['Total', 'HP', 'Attack', 'Defense']].describe() # Description statistique des différentes␣

˓→colonnes

[8]: Total HP Attack Defense

count 800.00000 800.000000 800.000000 800.000000
mean 435.10250 69.258750 79.001250 73.842500
std 119.96304 25.534669 32.457366 31.183501
min 180.00000 1.000000 5.000000 5.000000
25% 330.00000 50.000000 55.000000 50.000000
50% 450.00000 65.000000 75.000000 70.000000
75% 515.00000 80.000000 100.000000 90.000000
max 780.00000 255.000000 190.000000 230.000000

[9]: df.loc[df['HP'].idxmax()] # Pokémon ayant le plus de points de vie

[9]: Type 1 Normal
Type 2
Total 540
HP 255
Attack 10
(suite sur la page suivante)

15.2. Accès aux données 141

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

Defense 10
Speed 55
Generation 2
Legendary False
Name: Blissey, dtype: object

[10]: df.sort_values('Speed', ascending=False).head(3) # Les 3 pokémons plus rapides

[10]: Type 1 Type 2 Total HP Attack Defense Speed \
Name
DeoxysSpeed Forme Psychic 600 50 95 90 180
Ninjask Bug Flying 456 61 90 45 160
DeoxysNormal Forme Psychic 600 50 150 50 150

Generation Legendary
Name
DeoxysSpeed Forme 3 True
Ninjask 3 False
DeoxysNormal Forme 3 True

Statistiques selon le statut « légendaire » :

[11]: legendary = df.groupby('Legendary')

legendary.size()
[11]: Legendary
False 735
True 65
dtype: int64

[12]: legendary['Total', 'HP', 'Attack', 'Defense', 'Speed'].mean()

[12]: Total HP Attack Defense Speed
Legendary
False 417.213605 67.182313 75.669388 71.559184 65.455782
True 637.384615 92.738462 116.676923 99.661538 100.184615

15.4 Visualisation
Pandas intègre de nombreuses fonctions de visualisation interfacées à matplotlib.

[13]: ax = df.plot.scatter(x='Attack', y='Defense', s=df['HP'], c='Speed', cmap='plasma')

ax.figure.set_size_inches((8, 6))

142 Chapitre 15. Pokémon Go ! (démonstration Pandas/Seaborn)

 Analyse scientifique avec Python, Version Janvier 2021

[14]: fig, (ax1, ax2) = P.subplots(1, 2, subplot_kw={"aspect": 'equal'}, figsize=(10, 6))

df['Type 1'].value_counts().plot.pie(ax=ax1, autopct='%.0f %% ')

df['Type 2'].value_counts().plot.pie(ax=ax2, autopct='%.0f %% ')

fig.tight_layout()

Il est également possible d’utiliser la librairie seaborn, qui s’interface naturellement avec Pandas.

[15]: pok_type_colors = { # http://bulbapedia.bulbagarden.net/wiki/Category:Type_color_templates

'Grass': '#78C850',
'Fire': '#F08030',
'Water': '#6890F0',
'Bug': '#A8B820',
'Normal': '#A8A878',
'Poison': '#A040A0',
(suite sur la page suivante)

15.4. Visualisation 143

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

'Electric': '#F8D030',
'Ground': '#E0C068',
'Fairy': '#EE99AC',
'Fighting': '#C03028',
'Psychic': '#F85888',
'Rock': '#B8A038',
'Ghost': '#705898',
'Ice': '#98D8D8',
'Dragon': '#7038F8',
'Dark': '#705848',
'Steel': '#B8B8D0',
'Flying': '#A890F0',
}

[16]: ax = SNS.countplot(x='Generation', hue='Type 1', palette=pok_type_colors, data=df)

ax.figure.set_size_inches((14, 6))
ax.legend(ncol=3, title='Type 1');

[17]: ax = SNS.boxplot(x='Generation', y='Total', data=df, color='0.5');

SNS.swarmplot(x='Generation', y='Total', data=df, color='0.2', alpha=0.8)
ax.figure.set_size_inches((14, 6))

144 Chapitre 15. Pokémon Go ! (démonstration Pandas/Seaborn)

 Analyse scientifique avec Python, Version Janvier 2021

[18]: ax = SNS.violinplot(x="Type 1", y="Attack", data=df, hue="Legendary", split=True, inner='quart

˓→')

ax.figure.set_size_inches((14, 6))

[19]: df2 = df.drop(['Total', 'Generation', 'Legendary'], axis=1)

SNS.pairplot(df2, markers='.', kind='reg');

15.4. Visualisation 145

 Analyse scientifique avec Python, Version Janvier 2021

[20]: ax = SNS.heatmap(df2.corr(), annot=True,

cmap='RdBu_r', center=0, cbar_kws={'label': 'Correlation coefficient'})
ax.set_aspect('equal')

146 Chapitre 15. Pokémon Go ! (démonstration Pandas/Seaborn)

 Analyse scientifique avec Python, Version Janvier 2021

[21]: SNS.catplot(x='Generation', y='Attack', data=df,

hue='Type 1', palette=pok_type_colors, col='Type 1', col_wrap=3, kind='swarm');

15.4. Visualisation 147

Analyse scientifique avec Python, Version Janvier 2021

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Cours/pokemon.ipynb ends here.

148 Chapitre 15. Pokémon Go ! (démonstration Pandas/Seaborn)

 CHAPITRE 16

Méthode des rectangles

1 #!/usr/bin/env python3
2 # Time-stamp: <2018-07-16 18:07:22 ycopin>
3

4 """
5 Calcul de l'intégrale de x**2 entre 0 et 1 par la méthode des rectangles
6 (subdivision en 100 pas)
7 """
8

9 def sq(x):
10 "Définition de la fonction sq: x → x**2."
11

12 return x**2
13

14 a, b = 0, 1 # Bornes d'intégration
15 n = 100 # Nombre de pas
16

17 h = (b - a) / n # Largeur des rectangles

18

19 total = 0 # Cette variable accumulera les aires des rectangles

20 for i in range(n): # Boucle de 0 à n - 1
21 x = a + (i + 0.5) * h # Abscisse du rectangle
22 total += sq(x) * h # On ajoute l'aire du rectangle au total
23

24 print("Intégrale de x**2 entre a =", a, "et b =", b, "avec n =", n, "rectangles")

25 # On affiche les résultats numérique et analytique, ainsi que l'erreur relative
26 print("Résultat numérique: ", total)
27 theorie = (b ** 3 - a ** 3) / 3
28 print("Résultat analytique:", theorie)
29 print("Erreur relative:", (total / theorie - 1))

$ python3 integ.py

Intégrale de x**2 entre a = 0 et b = 1 avec n = 100 rectangles

Résultat numérique: 0.33332500000000004
Résultat analytique: 0.3333333333333333
Erreur relative: -2.4999999999830713e-05

Source : integ.py

149
Analyse scientifique avec Python, Version Janvier 2021

150 Chapitre 16. Méthode des rectangles

 CHAPITRE 17

Fizz Buzz

1 #!/usr/bin/env python3
2 # Time-stamp: <2018-07-26 16:46 [email protected]>
3

4 """
5 Jeu du Fizz Buzz
6 """
7

8 __author__ = "Yannick Copin <[email protected]>"

9

10

11 for i in range(1, 100): # Entiers de 1 à 99

12 if ((i % 3) == 0) and ((i % 5) == 0): # Multiple de 3 *et* de 5
13 print('FIZZ BUZZ!', end=' ') # Affichage sans retour à la ligne
14 elif (i % 3) == 0: # Multiple de 3 uniquement
15 print('Fizz!', end=' ')
16 elif (i % 5) == 0: # Multiple de 5 uniquement
17 print('Buzz!', end=' ')
18 else:
19 print(i, end=' ')
20 print() # Retour à la ligne final

$ python3 fizz.py

1 2 Fizz! 4 Buzz! Fizz! 7 8 Fizz! Buzz! 11 Fizz! 13 14 FIZZ BUZZ! 16...

Source : fizz.py

151
Analyse scientifique avec Python, Version Janvier 2021

152 Chapitre 17. Fizz Buzz

 CHAPITRE 18

Algorithme d’Euclide

1 #!/usr/bin/env python3
2 # coding: utf-8
3

4 # Time-stamp: <2020-11-16 21:52 ycopin@lyonovae03>

5

6 """
7 Calcul du PGCD de deux entiers 0 < b < a.
8 """
9

10 # Entiers dont on calcule le PGCD (avec 0 < b < a)

11 a = 756
12 b = 306
13

14 # Vérification des conditions d'application de l'algorithme: 0 < b < a

15 assert 0 < b < a, "Les conditions d'application ne sont pas vérifiées."
16

17 a0, b0 = a, b # On garde une copie des valeurs originales

18

19 # On boucle jusqu'à ce que le reste soit nul, d'où la boucle while. Il faut
20 # ^etre s^ur que l'algorithme converge dans tous les cas!
21 while True:
22 r = a % b
23 if r == 0: # Reste de la division euclidienne
24 break # en sortie, PGCD = b
25 else:
26 a, b = b, r # Itération
27

28 # On aurait pu écrire directement:

29 # while b != 0:
30 # a, b = b, a % b # en sortie, PGCD = a!
31

32 print('Le PGCD de', a0, 'et', b0, 'vaut', b) # On affiche le résultat

33 # Vérifications
34 print(a0 // b, '×', b, '=', (a0 // b * b)) # a//b: division euclidienne
35 print(b0 // b, '×', b, '=', (b0 // b * b))

$ python3 pgcd.py

(suite sur la page suivante)

153
Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

Le PGCD de 756 et 306 vaut 18
42 × 18 = 756
17 × 18 = 306

Source : pgcd.py

154 Chapitre 18. Algorithme d’Euclide

 CHAPITRE 19

Crible d’Ératosthène

1 #!/usr/bin/env python3
2 # coding: utf-8
3

4 """
5 Crible d'Ératosthène.
6

7 Source: http://fr.wikibooks.org/wiki/Exemples_de_scripts_Python#Implémentation_du_crible_d
˓→'Ératosthène

8 """
9

10 __author__ = "Yannick Copin <[email protected]>"

11

12 # start-sys
13 # Gestion simplifiée d'un argument entier sur la ligne de commande
14 import sys
15

16 if sys.argv[1:]: # Présence d'au moins un argument sur la ligne de commande

17 try:
18 n = int(sys.argv[1]) # Essayer de lire le 1er argument comme un entier
19 except ValueError:
20 raise ValueError(f"L'argument { sys.argv[1]!r} n'est pas un entier")
21 else: # Pas d'argument sur la ligne de commande
22 n = 101 # Valeur par défaut
23 # end-sys
24

25 # Liste des entiers *potentiellement* premiers. Les nb non premiers

26 # seront étiquetés par 0 au fur et à mesure.
27 l = list(range(n + 1)) # <0,...,n>, 0 n'est pas premier
28 l[1] = 0 # 1 n'est pas premier
29

30 i = 2 # Entier à tester
31 while i**2 <= n: # Inutile de tester jusqu'à n
32 if l[i] != 0: # Si i n'est pas étiqueté (=0)...
33 # ...étiqueter tous les multiples de i: de 2 * i à n (inclu) par pas de i
34 for j in range(2 * i, n + 1, i):
35 l[j] = 0
36 # Les 2 lignes précédentes peuvent ^etre fusionnées:
37 # l[2 * i::i] = [0] * len(l[2 * i::i])
38 i += 1 # Passer à l'entier à tester suivant
(suite sur la page suivante)

155
 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

39

40 # Afficher la liste des entiers premiers (c-à-d non étiquetés)

41 print(f"Liste des entiers premiers <= { n} :")
42 print([i for i in l if i != 0])

$ python3 crible.py

Liste des entiers premiers <= 101

[2, 3, 5, 7, 11, 13, 17, 19, 23, 29, 31, 37, 41, 43, 47, 53, 59, 61, 67, 71, 73, 79, 83, 89,␣
˓→97, 101]

Source : crible.py

156 Chapitre 19. Crible d’Ératosthène

 CHAPITRE 20

Carré magique

1 #!/usr/bin/env python3
2 # coding: utf-8
3

4 # Time-stamp: <2020-08-05 11:48 ycopin@lyonovae03>

5

6 """
7 Création et affichage d'un carré magique d'ordre impair.
8 """
9

10 __author__ = "Yannick Copin <[email protected]>"

11

12 n = 5 # Ordre du carré magique

13

14 # On vérifie que l'ordre est bien impair

15 assert n % 2 == 1, f"L'ordre { n} n'est pas impair."
16

17 # Le carré sera stocké dans une liste de n listes de n entiers

18 # Initialisation du carré: liste de n listes de n zéros.
19 array = [[0 for j in range(n)] for i in range(n)]
20

21 # Initialisation de l'algorithme
22 i, j = n, (n + 1) // 2 # Indices de l'algo (1-indexation)
23 array[i - 1][j - 1] = 1 # Attention: python utilise une 0-indexation
24

25 # Boucle sur valeurs restant à inclure dans le carré (de 2 à n**2)

26 for k in range(2, n**2 + 1):
27 # Test de la case i+1, j+1 (modulo n)
28 i2 = (i + 1) % n
29 j2 = (j + 1) % n
30 if array[i2 - 1][j2 - 1] == 0: # La case est vide: l'utiliser
31 i, j = i2, j2
32 # La case est déjà remplie: utiliser la case i-1, j
33 else:
34 i = (i - 1) % n
35 array[i - 1][j - 1] = k # Remplissage de la case
36

37 # Affichage, avec vérification des sommes par ligne et par colonne

38 print(f"Carré magique d'ordre { n} :")
39 for row in array:
(suite sur la page suivante)

157
 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

40 print(' '.join(f'{ k: 2d} ' for k in row), '=', sum(row))
41 print(' '.join('==' for k in row))
42 print(' '.join(str(sum(array[i][j] for i in range(n))) for j in range(n)))

$ python3 carre.py

Carré magique d'ordre 5:

11 18 25 2 9 = 65
10 12 19 21 3 = 65
4 6 13 20 22 = 65
23 5 7 14 16 = 65
17 24 1 8 15 = 65
== == == == ==
65 65 65 65 65

Source : carre.py

158 Chapitre 20. Carré magique

 CHAPITRE 21

Suite de Syracuse

1 #!/usr/bin/env python3
2 # Time-stamp: <2018-07-26 16:57 [email protected]>
3

4 __author__ = "Adrien Licari <[email protected]>; Yannick Copin <[email protected]>"

5

7 def suite_syracuse(n):
8 """
9 Retourne la suite de Syracuse pour l'entier n.
10

11 >>> suite_syracuse(15)
12 [15, 46, 23, 70, 35, 106, 53, 160, 80, 40, 20, 10, 5, 16, 8, 4, 2, 1]
13 """
14

15 seq = [n] # La suite de Syracuse sera complétée...

16 while seq[-1] != 1: # ...jusqu'à tomber sur 1
17 if seq[-1] % 2 == 0: # u_n est pair
18 seq.append(seq[-1] // 2) # Division euclidienne par 2
19 else: # u_n est impair
20 seq.append(seq[-1] * 3 + 1)
21

22 return seq
23

24

25 def temps_syracuse(n, altitude=False):

26 """
27 Calcule le temps de vol (éventuellement en altitude) de la suite
28 de Syracuse pour l'entier n.
29

30 >>> temps_syracuse(15)
31 17
32 >>> temps_syracuse(15, altitude=True)
33 10
34 """
35

36 seq = suite_syracuse(n)
37 if not altitude: # Temps de vol total
38 return len(seq) - 1
39 else: # Temps de vol en altitude
(suite sur la page suivante)

159
 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

40 # Construction de la séquence en altitude
41 alt = []
42 for i in seq:
43 if i >= n:
44 alt.append(i)
45 else:
46 break
47 return len(alt) - 1
48

49 if __name__ == '__main__':
50

51 n = 15
52 print("Suite de Syracuse pour n =", n)
53 print(suite_syracuse(n))
54 print("Temps de vol total: ", temps_syracuse(n))
55 print("Temps de vol en altitude:", temps_syracuse(n, altitude=True))

Suite de Syracuse pour n = 15

[15, 46, 23, 70, 35, 106, 53, 160, 80, 40, 20, 10, 5, 16, 8, 4, 2, 1]
Temps de vol total: 17
Temps de vol en altitude: 10

Source : syracuse.py

160 Chapitre 21. Suite de Syracuse

 CHAPITRE 22

Flocon de Koch

1 #!/usr/bin/env python3
2 # coding: utf-8
3

4 from __future__ import division # Pas de division euclidienne par défaut

5

6 """
7 Tracé (via 'turtle') d'un flocon de Koch d'ordre arbitraire.
8

9 Dans le m^eme genre:

10

11 - courbe de Peano (http://fr.wikipedia.org/wiki/Courbe_de_Peano)

12 - courbe de Hilbert (http://fr.wikipedia.org/wiki/Courbe_de_Hilbert)
13 - ^ıle de Gosper (http://fr.wikipedia.org/wiki/^Ile_de_Gosper)
14

15 Voir également:
16

17 - L-système: http://fr.wikipedia.org/wiki/L-système
18 - Autres exemples: http://natesoares.com/tutorials/python-fractals/
19 """
20

21 import turtle as T
22

23 __version__ = "Time-stamp: <2013-01-14 00:49 ycopin@lyopc469>"

24 __author__ = "Yannick Copin <[email protected]>"
25

26

27 def koch(ordre=3, niveau=0, taille=100, delta=0):

28 """
29 Tracé du flocon de Koch d'ordre 'ordre', de taille 'taille'
30 (px).
31

32 Cette fonction récursive permet d'initialiser le flocon (niveau=0,

33 par défaut), de tracer les branches fractales (0 < niveau <= ordre) ou
34 bien juste de tracer un segment (niveau > ordre).
35 """
36

37 if niveau == 0: # Dessine le triangle de niveau 0

38 T.title(f"Flocon de Koch - ordre { ordre} ")
39 koch(niveau=1, ordre=ordre, taille=taille, delta=delta)
(suite sur la page suivante)

161
 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

40 T.right(120)
41 koch(niveau=1, ordre=ordre, taille=taille, delta=delta)
42 T.right(120)
43 koch(niveau=1, ordre=ordre, taille=taille, delta=delta)
44 elif niveau <= ordre: # Trace une section _/\_ du flocon
45 koch(niveau=niveau + 1, ordre=ordre, taille=taille, delta=delta)
46 T.left(60 + delta)
47 koch(niveau=niveau + 1, ordre=ordre, taille=taille, delta=delta)
48 T.right(120 + 2 * delta)
49 koch(niveau=niveau + 1, ordre=ordre, taille=taille, delta=delta)
50 T.left(60 + delta)
51 koch(niveau=niveau + 1, ordre=ordre, taille=taille, delta=delta)
52 else: # Trace le segment de dernier niveau
53 T.forward(taille / 3 ** (ordre + 1))
54

55 if __name__ == '__main__':
56

57 # start-argparse
58 # Exemple d'utilisation de la bibliothèque de gestion d'arguments 'argparse'
59 import argparse
60

61 desc = "Tracé (via 'turtle') d'un flocon de Koch d'ordre arbitraire."

62

63 # Définition des options

64 parser = argparse.ArgumentParser(description=desc)
65 parser.add_argument('ordre', nargs='?', type=int,
66 help="Ordre du flocon, >0 [%(default)s ]",
67 default=3)
68 parser.add_argument('-t', '--taille', type=int,
69 help="Taille de la figure, >0 [%(default)s px]",
70 default=500)
71 parser.add_argument('-d', '--delta', type=float,
72 help="Delta [%(default)s deg]",
73 default=0.)
74 parser.add_argument('-f', '--figure', type=str,
75 help="Nom de la figure de sortie (format EPS)")
76 parser.add_argument('-T', '--turbo',
77 action="store_true", default=False,
78 help="Mode Turbo")
79

80 # Déchiffrage des options et arguments

81 args = parser.parse_args()
82

83 # Quelques tests sur les args et options

84 if not args.ordre > 0:
85 parser.error(f"Ordre requis { args.ordre!r} invalide")
86

87 if not args.taille > 0:

88 parser.error("La taille de la figure doit ^etre positive")
89 # end-argparse
90

91 if args.turbo:
92 T.hideturtle()
93 T.speed(0)
94

95 # Tracé du flocon de Koch d'ordre 3

96 koch(ordre=args.ordre, taille=args.taille, delta=args.delta)
97 if args.figure:
98 # Sauvegarde de l'image
99 print(f"Sauvegarde de la figure dans { args.figure!r} ")
100 T.getscreen().getcanvas().postscript(file=args.figure)
(suite sur la page suivante)

162 Chapitre 22. Flocon de Koch

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

101

102 T.exitonclick()

Source : koch.py

163
Analyse scientifique avec Python, Version Janvier 2021

164 Chapitre 22. Flocon de Koch

 CHAPITRE 23

Jeu du plus ou moins

1 #!/usr/bin/env python3
2 # coding: utf-8
3

4 import random
5

6 nmin, nmax = 1, 100

7 nsol = random.randint(nmin, nmax)
8

9 print(f"Vous devez deviner un nombre entre { nmin} et { nmax} .")

10 ncoups = 0 # Compteur de coups
11

12 while True: # Boucle infinie: sortie explicite par break

13 try:
14 proposition = input("Votre proposition: ")
15 ntest = int(proposition) # Exception ValueError potentielle
16 if not nmin <= ntest <= nmax:
17 raise ValueError()
18

19 except ValueError:
20 print(f"Votre proposition { proposition!r} "
21 f"n'est pas un entier compris entre { nmin} et { nmax} .")
22 continue # Nouvel essai
23

24 except (KeyboardInterrupt, EOFError): # Interception de Ctrl-C et Ctrl-D

25 print("\nVous abandonnez après seulement "
26 f"{ ncoups} coup{ 's' if ncoups > 1 else ''} !")
27 break # Interrompt la boucle while
28

29 # Si la proposition est valide, le jeu peut continuer.

30 ncoups += 1
31 if nsol > ntest:
32 print("C'est plus.")
33 elif nsol < ntest:
34 print("C'est moins.")
35 else:
36 print(f"Vous avez trouvé en { ncoups} coup{ 's' if ncoups > 1 else ''} !")
37 break # Interrompt la boucle while

Source : pm.py

165
Analyse scientifique avec Python, Version Janvier 2021

166 Chapitre 23. Jeu du plus ou moins

 CHAPITRE 24

Animaux

1 #!/usr/bin/env python3
2 # coding: utf-8
3

4 """
5 Exercice: programmation orientée objet, développement dirigé par les tests.
6 """
7

8 class Animal:
9 """
10 Classe définissant un `Animal`, caractérisé par son nom et son
11 poids.
12 """
13

14 def __init__(self, nom, masse):

15 """
16 Méthode d'instanciation à partir d'un nom (str) et d'un poids (float).
17 """
18

19 # Ici, convertir les paramètres pour ^etre s^ur qu'il ont le bon
20 # type. On utilisera `str` et `float`
21 self.nom = str(nom)
22 self.masse = float(masse)
23

24 self.vivant = True # Les animaux sont supposés vivants à l'instanciation

25 self.empoisonne = False # Animal empoisonné ?
26

27 def __str__(self):
28 """
29 Surcharge de l'opérateur `str`: l'affichage *informel* de l'objet
30 dans l'interpréteur, p.ex. `print self` sera résolu comme
31 `self.__str__()`
32

33 Retourne une cha^ıne de caractères.

34 """
35

36 return f"{ self.nom} ({ self.masse: .1f} kg)"

37

38 def estVivant(self):
39 """Méthode booléenne, vraie si l'animal est vivant."""
(suite sur la page suivante)

167
 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

40

41 return self.vivant
42

43 def mourir(self):
44 """Change l'état interne de l'objet (ne retourne rien)."""
45

46 self.vivant = False
47

48 def __lt__(self, other):

49 """
50 Surcharge l'opérateur de comparaison '<' uniquement, sur la
51 base de la masse des animaux.
52

53 Note: Py3 impose de surcharger *explicitement* tous les opérateurs

54 de comparaison: '__lt__' pour '<', __le__ pour '<=', '__eq__'
55 pour '==', etc.
56 """
57

58 return self.masse < other.masse

59

60 def __call__(self, other):

61 """
62 Surcharge de l'opérateur '()' pour manger un autre animal (qui
63 meurt s'il est vivant) et prendre du poids (mais pas plus que
64 la masse de l'autre ou 10 % de son propre poids). Attention aux
65 animaux empoisonnés !
66

67 L'instruction `self(other)` sera résolue comme

68 `self.__call__(other).
69 """
70

71 other.mourir()
72 poids = min(other.masse, self.masse * 0.1)
73 self.masse += poids
74 other.masse -= poids
75 if other.empoisonne:
76 self.mourir()
77

78

79 class Chien(Animal):
80 """
81 Un `Chien` hérite de `Animal` avec des méthodes additionnelles
82 (p.ex. l'aboiement et l'odorat).
83 """
84

85 def __init__(self, nom, masse=20, odorat=0.5):

86 """Définit un chien plus ou moins fin limier."""
87

88 # Initialisation de la classe parente

89 Animal.__init__(self, nom, masse)
90

91 # Attribut propre à la classe dérivée

92 self.odorat = float(odorat)
93

94 def __str__(self):
95

96 return f"{ self.nom} (Chien, { self.masse: .1f} kg)"

97

98 def aboyer(self):
99 """Une méthode bien spécifique aux chiens."""
100

(suite sur la page suivante)

168 Chapitre 24. Animaux

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

101 print("Ouaf ! Ouaf !")
102

103 def estVivant(self):

104 """Quand on vérifie qu'un chien est vivant, il aboie."""
105

106 vivant = Animal.estVivant(self)

107

108 if vivant:
109 self.aboyer()
110

111 return vivant

112

113 #########################################################
114 # Il est *INTERDIT* de modifier les tests ci-dessous!!! #
115 #########################################################
116

117 import pytest # Module (non standard) de tests

118

119 # start-tests
120 def test_empty_init():
121 with pytest.raises(TypeError):
122 Animal()
123

124

125 def test_wrong_init():

126 with pytest.raises(ValueError):
127 Animal('Youki', 'lalala')
128

129

130 def test_init():

131 youki = Animal('Youki', 600)
132 assert youki.masse == 600
133 assert youki.vivant
134 assert not youki.empoisonne
135 # end-tests
136

137

138 def test_str():

139 youki = Animal('Youki', 600)
140 assert str(youki) == 'Youki (600.0 kg)'
141

142

143 def test_mort():

144 youki = Animal('Youki', 600)
145 assert youki.estVivant()
146 youki.mourir()
147 assert not youki.estVivant()
148

149

150 def test_lt():

151 medor = Animal('Medor', 600)
152 kiki = Animal('Kiki', 20)
153 assert kiki < medor
154 with pytest.raises(AttributeError):
155 medor < 1
156

157

158 def test_mange():

159 medor = Animal('Medor', 600)
160 kiki = Animal('Kiki', 20)
161 medor(kiki) # Médor mange Kiki
(suite sur la page suivante)

169
 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

162 assert medor.estVivant()
163 assert not kiki.estVivant()
164 assert kiki.masse == 0
165 assert medor.masse == 620
166 kiki = Animal("Kiki Jr.", 20)
167 kiki(medor) # Kiki Jr. mange Médor
168 assert not medor.estVivant()
169 assert kiki.estVivant()
170 assert kiki.masse == 22
171 assert medor.masse == 618 # Médor a perdu du poids en se faisant manger!
172

173

174 def test_init_chien():

175 medor = Chien('Medor', 600)
176 assert isinstance(medor, Animal)
177 assert isinstance(medor, Chien)
178 assert medor.odorat == 0.5
179 assert str(medor) == 'Medor (Chien, 600.0 kg)'
180 assert medor.estVivant()

=========================== test session starts ============================

platform linux2 -- Python 2.7.6 -- py-1.4.24 -- pytest-2.6.2
collected 8 items

animauxSol.py ........

========================= 8 passed in 0.04 seconds =========================

Source : animauxSol.py

170 Chapitre 24. Animaux

 CHAPITRE 25

Particules

1 #!/usr/bin/env python3
2 # Time-stamp: <2018-07-19 10:34 [email protected]>
3

5 import pytest # pytest importé pour les tests unitaires

6 import math
7

8 """
9 Définition d'une classe point matériel, avec sa masse, sa position et sa
10 vitesse, et des méthodes pour le déplacer. Le main test applique cela à un
11 problème à force centrale gravitationnel ou électrostatique.
12

13 Remarque : Toutes les unités ont été choisies adimensionnées.

14 """
15

16 __author__ = "Adrien Licari <[email protected]>"

17

18

19 # Un critère pour déterminer l'égalité entre réels

20 tolerance = 1e-8
21

22

23 #############################################################################
24 ### Définition de la classe Vector, utile pour la position et la vitesse. ###
25 #############################################################################
26

27 class Vector:
28 """
29 Une classe-structure simple contenant 3 coordonnées.
30 Une méthode est disponible pour en calculer la norme et
31 une surcharge des opérateurs ==, !=, +, - et * est proposée.
32 """
33

34 def __init__(self, x=0, y=0, z=0):

35 """
36 Constructeur de la classe vector.
37 Par défaut, construit le vecteur nul.
38

39 Args:
(suite sur la page suivante)

171
 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

40 x,y,z(float): Les composantes du vecteur à construire.
41

42 Raises:
43 TypeError en cas de composantes non réelles
44 """
45 try:
46 self.x = float(x)
47 self.y = float(y)
48 self.z = float(z)
49 except (ValueError, TypeError, AttributeError):
50 raise TypeError("The given coordinates must be numbers")
51

52 def __str__(self):
53 """
54 Surcharge de l'opérateur `str`.
55

56 Returns :
57 "(x,y,z)" avec 2 décimales
58 """
59 return "({:.2f} ,{:.2f} ,{:.2f} )".format(self.x, self.y, self.z)
60

61 def __eq__(self, other):

62 """
63 Surcharge de l'opérateur `==` pour tester l'égalité
64 entre deux vecteurs.
65

66 Args :
67 other(Vector): Un autre vecteur
68

69 Raises :
70 TypeError si other n'est pas un objet Vector
71 """
72 try:
73 return abs(self.x - other.x) < tolerance and \
74 abs(self.y - other.y) < tolerance and \
75 abs(self.z - other.z) < tolerance
76 except (ValueError, TypeError, AttributeError):
77 raise TypeError("Tried to compare Vector and non-Vector objects")
78

79 def __ne__(self, other):

80 """
81 Surcharge de l'opérateur `!=` pour tester l'inégalité
82 entre deux vecteurs.
83

84 Args :
85 other(Vector): Un autre vecteur
86

87 Raises :
88 TypeError si other n'est pas un objet Vector
89 """
90 return not self == other
91

92 def __add__(self, other):

93 """
94 Surcharge de l'opérateur `+` pour les vecteurs.
95

96 Args :
97 other(Vector): Un autre vecteur
98

99 Raises :
100 TypeError si other n'est pas un objet Vector
(suite sur la page suivante)

172 Chapitre 25. Particules

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

101 """
102 try:
103 return Vector(self.x + other.x, self.y + other.y, self.z + other.z)
104 except (ValueError, TypeError, AttributeError):
105 raise TypeError("Tried to add Vector and non-Vector objects")
106

107 def __sub__(self, other):

108 """
109 Surcharge de l'opérateur `-` pour les vecteurs.
110

111 Args :
112 other(Vector): Un autre vecteur
113

114 Raises :
115 TypeError si other n'est pas un objet Vector
116 """
117 try:
118 return Vector(self.x - other.x, self.y - other.y, self.z - other.z)
119 except (ValueError, TypeError, AttributeError):
120 raise TypeError("Tried to substract Vector and non-Vector objects")
121

122 def __mul__(self, number):

123 """
124 Surcharge de l'opérateur `*` pour la multiplication entre
125 un vecteur et un nombre.
126

127 Args :
128 number(float): Un nombre à multiplier par le Vector.
129

130 Raises :
131 TypeError si other n'est pas un nombre
132 """
133 try:
134 return Vector(number * self.x, number * self.y, number * self.z)
135 except (ValueError, TypeError, AttributeError):
136 raise TypeError("Tried to multiply Vector and non-number objects")
137

138 __rmul__ = __mul__ # Ligne pour autoriser la multiplication à droite

139

140 def norm(self):

141 """
142 Calcul de la norme 2 d'un vecteur.
143

144 Returns :
145 sqrt(x**2 + y**2 + z**2)
146 """
147 return (self.x ** 2 + self.y ** 2 + self.z ** 2) ** (1 / 2)
148

149 def clone(self):

150 """
151 Méthode pour construire un nouveau Vecteur, copie de self.
152 """
153 return Vector(self.x, self.y, self.z)
154

155

156 ###############################################
157 ##### Quelques test pour la classe Vector #####
158 ###############################################
159

160 def test_VectorInit():

161 with pytest.raises(TypeError):
(suite sur la page suivante)

173
 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

162 vec = Vector('Test', 'avec', 'strings')
163 vec = Vector(Vector())
164 vec = Vector([])
165 vec = Vector(0, -53.76, math.pi)
166 assert vec.x == 0
167 assert vec.y == -53.76
168 assert vec.z == math.pi
169

170

171 def test_VectorStr():

172 vec = Vector(0, 600, -2)
173 assert str(vec) == '(0.00,600.00,-2.00)'
174

175

176 def test_VectorEq(): # teste aussi l'opérateur !=

177 vec = Vector(2, 3, -5)
178 vec2 = Vector(2, 3, -4)
179 assert vec != vec2
180 assert vec != Vector(0, 3, -5)
181 with pytest.raises(TypeError):
182 Vector(2, 1, 4) == "Testing strings"
183 Vector(2, 1, 4) == 42
184 Vector(2, 1, 4) == ['list']
185

186

187 def test_VectorAdd():

188 vec = Vector(2, 3, -5)
189 vec2 = Vector(2, -50, 5)
190 assert (vec + vec2) == Vector(4, -47, 0)
191

192

193 def test_VectorSub():

194 vec = Vector(1, -7, 9)
195 vec2 = Vector()
196 assert (vec - vec) == Vector()
197 assert (vec - vec2) == vec
198

199

200 def test_VectorMul():

201 vec = Vector(1, -7, 9) * 2
202 vec2 = 6 * Vector(1, -1, 2)
203 assert vec == Vector(2, -14, 18)
204 assert vec2 == Vector(6, -6, 12)
205

206

207 def test_VectorNorm():

208 assert Vector().norm() == 0
209 assert Vector(1, 0, 0).norm() == 1
210 assert Vector(2, -5, -4).norm() == 45 ** (1 / 2)
211

212

213 def test_VectorClone():

214 vec = Vector(3, 2, 9)
215 vec2 = vec.clone()
216 assert vec == vec2
217 vec2.x = 1
218 assert vec != vec2
219

220

221 ############################################################
222 ##### Une classe point matériel qui se gère en interne #####
(suite sur la page suivante)

174 Chapitre 25. Particules

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

223 ############################################################
224

225 class Particle:

226

227 """
228 La classe Particle représente un point matériel doté d'une masse,
229 d'une position et d'une vitesse. Elle possède également une méthode
230 pour calculer la force gravitationnelle exercée par une autre particule.
231 Enfin, la méthode update lui permet de mettre à jour sa position et
232 sa vitesse en fonction des forces subies.
233 """
234

235 def __init__(self, mass=1, position=Vector(), speed=Vector()):

236 """
237 Le constructeur de la classe Particle.
238 Définit un point matériel avec une position et une vitesse initiales.
239

240 Args :
241 mass(float): La masse de la particule (doit ^etre
242 strictement positive)
243 position(Vector): La position initiale de la particule
244 speed(Vector): La vitesse initiale de la particule
245

246 Raises :
247 TypeError si la masse n'est pas un nombre, ou si la position ou
248 la vitesse ne sont pas des Vector
249 ValueError si la masse est négative ou nulle
250 """
251 try:
252 self.mass = float(mass)
253 self.position = position.clone()
254 self.speed = speed.clone()
255 except (ValueError, TypeError, AttributeError):
256 raise TypeError("The mass must be a positive float number. "
257 "The position and speed must Vector objects.")
258 try:
259 assert mass > 0 # une masse négative ou nulle pose des problèmes
260 except AssertionError:
261 raise ValueError("The mass must be strictly positive")
262 self.force = Vector()
263

264 def __str__(self):

265 """
266 Surcharge de l'opérateur `str`.
267

268 Returns :
269 "Particle with mass m, position (x,y,z) and speed (vx,vy,vz)"
270 with 2 decimals
271 """
272 return "Particle with mass {:.2f} , position {} " \
273 "and speed {} ".format(self.mass, self.position, self.speed)
274

275 def computeForce(self, other):

276 """
277 Calcule la force gravitationnelle exercée par une Particule
278 other sur self.
279

280 Args :
281 other(Particle): Une autre particule, source de l'interaction
282

283 Raises :
(suite sur la page suivante)

175
 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

284 TypeError si other n'est pas un objet Vector
285 """
286 try:
287 r = self.position - other.position
288 self.force = -self.mass * other.mass / r.norm() ** 3 * r
289 except AttributeError:
290 raise TypeError("Tried to compute the force created by "
291 "a non-Particle object")
292

293 def update(self, dt):

294 """
295 Mise à jour de la position et la vitesse au cours du temps.
296

297 Args :
298 dt(float): Pas de temps d'intégration.
299 """
300 try:
301 d = float(dt)
302 except (ValueError, TypeError, AttributeError):
303 raise TypeError("The integration timestep must be a number")
304 self.speed += self.force * dt * (1 / self.mass)
305 self.position += self.speed * dt
306

307

308 #############################################
309 ##### Des tests pour la classe Particle #####
310 #############################################
311

312 def test_ParticleInit():

313 with pytest.raises(TypeError):
314 p = Particle("blabla")
315 p = Particle(2, position='hum') # on vérifie les erreurs sur Vector
316 p = Particle([])
317 p = Particle(3, Vector(2, 1, 4), Vector(-1, -1, -1))
318 assert p.mass == 3
319 assert p.position == Vector(2, 1, 4)
320 assert p.speed == Vector(-1, -1, -1)
321 assert p.force == Vector()
322

323

324 def test_ParticleStr():

325 p = Particle(3, Vector(1, 2, 3), Vector(-1, -2, -3))
326 assert str(p) == "Particle with mass 3.00, position (1.00,2.00,3.00) " \
327 "and speed (-1.00,-2.00,-3.00)"
328

329

330 def test_ParticleForce():

331 p = Particle(1, Vector(1, 0, 0))
332 p2 = Particle()
333 p.computeForce(p2)
334 assert p.force == Vector(-1, 0, 0)
335 p.position = Vector(2, -3, 6)
336 p.mass = 49
337 p.computeForce(p2)
338 assert p.force == Vector(-2 / 7, 3 / 7, -6 / 7)
339

340

341 def test_ParticleUpdate():

342 dt = 0.1
343 p = Particle(1, Vector(1, 0, 0), Vector())
344 p.computeForce(Particle())
(suite sur la page suivante)

176 Chapitre 25. Particules

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

345 p.update(dt)
346 assert p.speed == Vector(-0.1, 0, 0)
347 assert p.position == Vector(0.99, 0, 0)
348

349

350 #######################################################
351 ##### Une classe Ion qui hérite de point matériel #####
352 #######################################################
353

354 class Ion(Particle):

355 """
356 Un Ion est une particule ayant une charge en plus de sa masse et
357 intéragissant électrostatiquement plut^ot que gravitationnellement.
358 La méthode computeForce remplace donc le calcul de la force
359 gravitationnelle de Newton par celui de la force électrostatique de
360 Coulomb.
361 """
362

363 def __init__(self, mass=1, charge=1, position=Vector(), speed=Vector()):

364 """
365 Le constructeur de la classe Ion.
366

367 Args :
368 mass(float): La masse de l'ion (doit ^etre strictement positive)
369 charge(float): La charge de l'ion (doit ^etre entière et
370 strictement positive)
371 position(Vector): La position initiale de la particule
372 speed(Vector): La vitesse initiale de la particule
373

374 Raises :
375 ValueError si charge < 0
376 TypeError si la masse n'est pas un réel,
377 si la charge n'est pas un entier,
378 si position ou speed ne sont pas des Vector
379 """
380 Particle.__init__(self, mass, position, speed)
381 try:
382 self.charge = int(charge)
383 except (ValueError, AttributeError, TypeError):
384 raise TypeError("The charge must be an integer.")
385 try:
386 assert self.charge > 0
387 except AssertionError:
388 raise ValueError("The charge must be positive.")
389

390 def __str__(self):

391 """
392 Surcharge de l'opérateur `str`.
393

394 Returns :
395 "Ion with mass m, charge q, position (x,y,z)
396 and speed (vx,vy,vz)" avec q entier et le reste à 2 décimales
397 """
398 return "Ion with mass {:.2f} , charge {:d} , position {} " \
399 "and speed {} ".format(self.mass, self.charge,
400 self.position, self.speed)
401

402 def computeForce(self, other):

403 """
404 Calcule la force électrostatique de Coulomb exercée par un Ion other
405 sur self. Masque la méthode de Particle.
(suite sur la page suivante)

177
 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

406

407 Args :
408 other(Ion): Un autre Ion, source de l'interaction.
409 Raises :
410 TypeError si other n'est pas un objet Ion
411 """
412 try:
413 r = self.position - other.position
414 self.force = self.charge * other.charge / r.norm() ** 3 * r
415 except (AttributeError, TypeError, ValueError):
416 raise TypeError("Tried to compute the force created by "
417 "a non-Ion object")
418

419

420 #######################################
421 ##### Des test pour la classe Ion #####
422 #######################################
423

424 def test_IonInit():

425 with pytest.raises(TypeError):
426 ion = Ion("blabla")
427 ion = Ion(2, position='hum') # on vérifie une erreur sur Vector
428 ion = Ion(2, 'hum') # on vérifie une erreur sur la charge
429 ion = Ion(2, 3, Vector(2, 1, 4), Vector(-1, -1, -1))
430 assert ion.mass == 2
431 assert ion.charge == 3
432 assert ion.position == Vector(2, 1, 4)
433 assert ion.speed == Vector(-1, -1, -1)
434 assert ion.force == Vector()
435

436

437 def test_IonStr():

438 ion = Ion(3, 2, Vector(1, 2, 3), Vector(-1, -2, -3))
439 assert str(ion) == "Ion with mass 3.00, charge 2, " \
440 "position (1.00,2.00,3.00) and speed (-1.00,-2.00,-3.00)"
441

442

443 def test_IonForce():

444 ion = Ion(mass=1, charge=1, position=Vector(1, 0, 0))
445 ion2 = Ion(charge=3)
446 ion.computeForce(ion2)
447 assert ion.force == Vector(3, 0, 0)
448 ion = Ion(charge=49, position=Vector(2, -3, 6))
449 ion.computeForce(ion2)
450 assert ion.force == Vector(6 / 7, -9 / 7, 18 / 7)
451

452

453 ###########################
454 ##### Un main de test #####
455 ###########################
456

457 if __name__ == '__main__':

458

459 # On lance tous les tests en bloc pour commencer

460 print(" Test functions ".center(50, "*"))
461 print("Testing Vector class...", end=' ')
462 test_VectorInit()
463 test_VectorStr()
464 test_VectorEq()
465 test_VectorAdd()
466 test_VectorSub()
(suite sur la page suivante)

178 Chapitre 25. Particules

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

467 test_VectorMul()
468 test_VectorNorm()
469 test_VectorClone()
470 print("ok")
471 print("Testing Particle class...", end=' ')
472 test_ParticleInit()
473 test_ParticleStr()
474 test_ParticleForce()
475 test_ParticleUpdate()
476 print("ok")
477 print("Testing Ion class...", end=' ')
478 test_IonInit()
479 test_IonStr()
480 test_IonForce()
481 print("ok")
482 print(" Test end ".center(50, "*"), "\n")
483

484 # Un petit calcul physique

485 print(" Physical computations ".center(50, "*"))
486 dt = 0.0001
487

488 # Problème à force centrale gravitationnelle, cas circulaire

489 ntimesteps = int(10000 * math.pi) # durée pour parcourir pi
490 center = Particle()
491 M = Particle(mass=1, position=Vector(1, 0, 0), speed=Vector(0, 1, 0))
492 print("** Gravitationnal computation of central-force motion for a {} " \
493 .format(str(M)))
494 for i in range(ntimesteps):
495 M.computeForce(center)
496 M.update(dt)
497 print("\t => Final system : {} ".format(str(M)))
498

499 # problème à force centrale électrostatique, cas rectiligne

500 center = Ion()
501 M = Ion(charge=4, position=Vector(0, 0, 1), speed=Vector(0, 0, -1))
502 print("** Electrostatic computation of central-force motion for a {} " \
503 .format(str(M)))
504 for i in range(ntimesteps):
505 M.computeForce(center)
506 M.update(dt)
507 print("\t => Final system : {} ".format(str(M)))
508

509 print(" Physical computations end ".center(50, "*"))

Source : particleSol.py

179
Analyse scientifique avec Python, Version Janvier 2021

180 Chapitre 25. Particules

 CHAPITRE 26

Jeu de la vie

1 #!/usr/bin/env python3
2 # Time-stamp: <2018-07-26 16:54 [email protected]>
3

4 """
5 Jeu de la vie (programmation orientée objet).
6 """
7

8 import random
9

10

11 class Life:
12

13 cells = {False: ".", True: "#"} # Dead and living cell representations
14

15 def __init__(self, h, w, periodic=False):

16 """
17 Create a 2D-list (the game grid *G*) with the wanted size (*h*
18 rows, *w* columns) and initialize it with random booleans
19 (dead/alive). The world is periodic if *periodic* is True.
20 """
21

22 self.h = int(h)
23 self.w = int(w)
24 assert self.h > 0 and self.w > 0
25 # Random initialization of a h×w world
26 self.world = [[random.choice([True, False])
27 for j in range(self.w)]
28 for i in range(self.h)] # h rows of w elements
29 self.periodic = periodic
30

31 def get(self, i, j):

32 """
33 This method returns the state of cell (*i*,*j*) safely, even
34 if the (*i*,*j*) is outside the grid.
35 """
36

37 if self.periodic:
38 return self.world[i % self.h][j % self.w] # Periodic conditions
39 else:
(suite sur la page suivante)

181
 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

40 if (0 <= i < self.h) and (0 <= j < self.w): # Inside grid
41 return self.world[i][j]
42 else: # Outside grid
43 return False # There's nobody out there...
44

45 def __str__(self):
46 """
47 Convert the grid to a visually handy string.
48 """
49

50 return '\n'.join([''.join([self.cells[val] for val in row])

51 for row in self.world])
52

53 def evolve_cell(self, i, j):

54 """
55 Tells if cell (*i*,*j*) will survive during game iteration,
56 depending on the number of living neighboring cells.
57 """
58

59 alive = self.get(i, j) # Current cell status

60 # Count living cells *around* current one (excluding current one)
61 count = sum(self.get(i + ii, j + jj)
62 for ii in [-1, 0, 1]
63 for jj in [-1, 0, 1]
64 if (ii, jj) != (0, 0))
65

66 if count == 3:
67 # A cell w/ 3 neighbors will either stay alive or resuscitate
68 future = True
69 elif count < 2 or count > 3:
70 # A cell w/ too few or too many neighbors will die
71 future = False
72 else:
73 # A cell w/ 2 or 3 neighbors will stay as it is (dead or alive)
74 future = alive # Current status
75

76 return future
77

78 def evolve(self):
79 """
80 Evolve the game grid by one step.
81 """
82

83 # Update the grid

84 self.world = [[self.evolve_cell(i, j)
85 for j in range(self.w)]
86 for i in range(self.h)]
87

88 if __name__ == "__main__":
89

90 import time
91

92 h, w = (20, 60) # (nrows,ncolumns)

93

94 # Instantiation (including initialization)

95 life = Life(h, w, periodic=True)
96

97 generation = 0
98 while True: # Infinite loop! (Ctrl-C to break)
99 print(generation)
100 print(life) # Print current world
(suite sur la page suivante)

182 Chapitre 26. Jeu de la vie

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

101 generation += 1
102 time.sleep(0.1) # Pause a bit
103 life.evolve() # Evolve world

Source : life.py

183
Analyse scientifique avec Python, Version Janvier 2021

184 Chapitre 26. Jeu de la vie

 CHAPITRE 27

Median Absolute Deviation

1 #!/usr/bin/env python3
2

3 import numpy as N
4

6 def mad(a, axis=None):

7 """
8 Compute *Median Absolute Deviation* of an array along given axis.
9 """
10

11 # Median along given axis, but *keeping* the reduced axis so that
12 # result can still broadcast against a.
13 med = N.median(a, axis=axis, keepdims=True)
14 mad = N.median(N.absolute(a - med), axis=axis) # MAD along given axis
15

16 return mad
17

18 if __name__ == '__main__':
19

20 x = N.arange(4 * 5, dtype=float).reshape(4, 5)
21

22 print("x =\n", x)
23 print("MAD(x, axis=None) =", mad(x))
24 print("MAD(x, axis=0) =", mad(x, axis=0))
25 print("MAD(x, axis=1) =", mad(x, axis=1))
26 print("MAD(x, axis=(0, 1)) =", mad(x, axis=(0, 1)))

Source : mad.py

185
Analyse scientifique avec Python, Version Janvier 2021

186 Chapitre 27. Median Absolute Deviation

 CHAPITRE 28

Distribution du pull

1 #!/usr/bin/env python3
2 # coding: utf-8
3

4 import numpy as N
5

7 def pull(x, dx):

8 """
9 Compute the pull from x, dx.
10

11 * Input data: x = [x_i], error dx = [s_i] Optimal

12 * (variance-weighted) mean: E = sum(x_i/s_i2 )/sum(1/s_i2 ) Variance
13 * on weighted mean: var(E) = 1/sum(1/s_i2 ) Pull: p_i = (x_i -
14 * E_i)/sqrt(var(E_i) + s_i2 ) where E_i and var(E_i) are computed
15 * without point i.
16

17 If errors s_i are correct, the pull distribution is centered on 0

18 with standard deviation of 1.
19 """
20

21 assert x.ndim == dx.ndim == 1, "pull works on 1D-arrays only."

22 assert len(x) == len(dx), "dx should be the same length as x."
23

24 n = len(x)
25

26 i = N.resize(N.arange(n), n * n) # 0,...,n-1,0,...n-1,..., n times (n2 ,)

27 i[::n + 1] = -1 # Mark successively 0,1,2,...,n-1
28 # Remove marked indices & reshape (n,n-1)
29 j = i[i >= 0].reshape((n, n - 1))
30

31 v = dx ** 2 # Variance
32 w = 1 / v # Variance (optimal) weighting
33

34 Ei = N.average(x[j], weights=w[j], axis=1) # Weighted mean (n,)

35 vEi = 1 / N.sum(w[j], axis=1) # Variance of mean (n,)
36

37 p = (x - Ei) / N.sqrt(vEi + v) # Pull (n,)

38

39 return p
(suite sur la page suivante)

187
 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

40

41 if __name__ == '__main__':
42

43 import matplotlib.pyplot as P
44 import scipy.stats as SS
45

46 n = 1000
47 mu = 1.
48 sig = 2.
49

50 # Normally distributed random sample of size n, with mean=mu and std=sig

51 x = N.random.normal(loc=mu, scale=sig, size=n)
52 dx = N.full_like(x, sig) # Formal (true) errors
53

54 p = pull(x, dx) # Pull computation

55

56 m, s = p.mean(), p.std(ddof=1)
57 print(f"Pull ({ n} entries): mean={ m: .2f} , std={ s: .2f} ")
58

59 fig, ax = P.subplots()
60 _, bins, _ = ax.hist(p, bins='auto', normed=True,
61 histtype='stepfilled',
62 label=f"#={ n} , µ={ m: .3f} , σ={ s: .3f} ")
63 y = N.linspace(-3, 3)
64 ax.plot(y, SS.norm.pdf(y), label=r"$\mathcal{N} $(µ=0, σ2 =1)")
65 ax.set(title='Pull distribution', xlabel='Pull')
66 ax.legend(loc='upper left')
67

68 P.show()

Source : pull.py

The following section was generated from Exercices/numerique.ipynb . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

[1]: import numpy as N

import matplotlib.pyplot as P
# Insert figures within notebook
%matplotlib inline

188 Chapitre 28. Distribution du pull

 CHAPITRE 29

Quadrature

Calcul de l’intégrale
∞
𝑥3 𝜋4
∫︁
d𝑥 =
0 𝑒𝑥 − 1 15

[2]: import scipy.integrate as SI

[3]: def integrand(x):

return x**3 / (N.exp(x) - 1)

[4]: q, dq = SI.quad(integrand, 0, N.inf)

print("Intégrale:", q)
print("Erreur estimée:", dq)
print("Erreur absolue:", (q - (N.pi ** 4 / 15)))
Intégrale: 6.49393940226683
Erreur estimée: 2.628470028924825e-09
Erreur absolue: 1.7763568394002505e-15
/home/ycopin/Softwares/VirtualEnvs/Python3/lib/python3.5/site-packages/ipykernel_launcher.py:3:
˓→ RuntimeWarning: overflow encountered in exp

This is separate from the ipykernel package so we can avoid doing imports until

189
Analyse scientifique avec Python, Version Janvier 2021

190 Chapitre 29. Quadrature

 CHAPITRE 30

Zéro d’une fonction

Résolution numérique de l’équation

𝑥 𝑒𝑥
𝑓 (𝑥) = −5=0
𝑒𝑥 −1

[5]: def func(x):

return x * N.exp(x) / (N.exp(x) - 1) - 5

Il faut d’abord déterminer un intervalle contenant la solution, c.-à-d. le zéro de func. Puisque 𝑓 (0+ ) =
−4 < 0 et 𝑓 (10) ≃ 5 > 0, il est intéressant de tracer l’allure de la courbe sur ce domaine :

[6]: x = N.logspace(-1, 1) # 50 points logarithmiquement espacé de 10**-1 = 0.1 à 10**1 = 10

P.plot(x, func(x));

[7]: import scipy.optimize as SO

[8]: zero = SO.brentq(func, 1, 10)

print("Solution:", zero)

191
Analyse scientifique avec Python, Version Janvier 2021

Solution: 4.965114231744277
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Exercices/numerique.ipynb ends here.

192 Chapitre 30. Zéro d’une fonction

 CHAPITRE 31

Quartet d’Anscombe

1 #!/usr/bin/env python3
2 # coding: utf-8
3

4 import numpy as N
5 import scipy.stats as SS
6 import matplotlib.pyplot as P
7

9 def printStats(x, y):

10 """
11 Print out means and variances for x and y, as well as correlation
12 coeff. (Pearson) and linear regression for y vs. x.
13 """
14

15 assert N.shape(x) == N.shape(y), "Incompatible input arrays"

16

17 print(f"x: mean={ N.mean(x): .2f} , variance={ N.var(x): .2f} ")

18 print(f"y: mean={ N.mean(y): .2f} , variance={ N.var(y): .2f} ")
19 print(f"y vs. x: corrcoeff={ SS.pearsonr(x, y)[0]: .2f} ")
20 # slope, intercept, r_value, p_value, std_err
21 a, b, _, _, _ = SS.linregress(x, y)
22 print(f"y vs. x: y = { a: .2f} x + { b: .2f} ")
23

24

25 def plotStats(ax, x, y, title='', fancy=True):

26 """
27 Plot y vs. x, and linear regression.
28 """
29

30 assert N.shape(x) == N.shape(y), "Incompatible input arrays"

31

32 # slope, intercept, r_value, p_value, std_err

33 a, b, r, _, _ = SS.linregress(x, y)
34

35 # Data + corrcoeff
36 ax.plot(x, y, 'bo', label=f"r = { r: .2f} ")
37

38 # Linear regression
39 xx = N.array([0, 20])
(suite sur la page suivante)

193
 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

40 yy = a * xx + b
41 ax.plot(xx, yy, 'r-', label=f"y = { a: .2f} x + { b: .2f} ")
42

43 leg = ax.legend(loc='upper left', fontsize='small')

44

45 if fancy: # Additional stuff

46 # Add mean line ± stddev
47 m = N.mean(x)
48 s = N.std(x, ddof=1)
49 ax.axvline(m, color='g', ls='--', label='_') # Mean
50 ax.axvspan(m - s, m + s, color='g', alpha=0.2) # Std-dev
51

52 m = N.mean(y)
53 s = N.std(y, ddof=1)
54 ax.axhline(m, color='g', ls='--', label='_') # Mean
55 ax.axhspan(m - s, m + s, color='g', alpha=0.2) # Std-dev
56

57 # Title and labels

58 if title:
59 ax.set_title(title)
60 if ax.is_last_row():
61 ax.set_xlabel("x")
62 if ax.is_first_col():
63 ax.set_ylabel("y")
64

65

66 if __name__ == '__main__':
67

68 quartet = N.genfromtxt("anscombe.dat") # Read Anscombe's Quartet

69

70 fig = P.figure()
71

72 for i in range(4): # Loop over quartet sets x,y

73 ax = fig.add_subplot(2, 2, i + 1)
74 print(f" Dataset #{ i+1} ".center(40, '='))
75 x, y = quartet[:, 2 * i:2 * i + 2].T
76 printStats(x, y) # Print main statistics
77 plotStats(ax, x, y, title='#'+str(i + 1)) # Plots
78

79 fig.suptitle("Anscombe's Quartet", fontsize='x-large')

80 fig.tight_layout()
81

82 P.show()

$ python3 anscombe.py

============== Dataset #1 ==============

x: mean=9.00, variance=10.00
y: mean=7.50, variance=3.75
y vs. x: corrcoeff=0.82
y vs. x: y = 0.50 x + 3.00
============== Dataset #2 ==============
x: mean=9.00, variance=10.00
y: mean=7.50, variance=3.75
y vs. x: corrcoeff=0.82
y vs. x: y = 0.50 x + 3.00
============== Dataset #3 ==============
x: mean=9.00, variance=10.00
y: mean=7.50, variance=3.75
y vs. x: corrcoeff=0.82
y vs. x: y = 0.50 x + 3.00
(suite sur la page suivante)

194 Chapitre 31. Quartet d’Anscombe

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

============== Dataset #4 ==============
x: mean=9.00, variance=10.00
y: mean=7.50, variance=3.75
y vs. x: corrcoeff=0.82
y vs. x: y = 0.50 x + 3.00

Source : anscombe.py

195
Analyse scientifique avec Python, Version Janvier 2021

196 Chapitre 31. Quartet d’Anscombe

 CHAPITRE 32

Suite logistique

1 #!/usr/bin/env python3
2 # Time-stamp: <2018-07-19 10:42 [email protected]>
3

4 import numpy as np
5 import random
6 import matplotlib.pyplot as plt
7

9 def iteration(r, niter=100):

10

11 x = random.uniform(0, 1)
12 i = 0
13 while i < niter and x < 1:
14 x = r * x * (1 - x)
15 i += 1
16

17 return x if x < 1 else -1

18

19

20 def generate_diagram(r, ntrials=50):

21 """
22 Cette fonction retourne (jusqu'à) *ntrials* valeurs d'équilibre
23 pour les *r* d'entrée. Elle renvoie un tuple:
24

25 + le premier élément est la liste des valeurs prises par le paramètre *r*
26 + le second est la liste des points d'équilibre correspondants
27 """
28

29 r_v = []
30 x_v = []
31 for rr in r:
32 j = 0
33 while j < ntrials:
34 xx = iteration(rr)
35 if xx > 0: # Convergence: il s'agit d'une valeur d'équilibre
36 r_v.append(rr)
37 x_v.append(xx)
38 j += 1 # Nouvel essai
39

(suite sur la page suivante)

197
 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

40 return r_v, x_v
41

42 r = np.linspace(0, 4, 1000)
43 x, y = generate_diagram(r)
44

45 plt.plot(x, y, 'r,')
46 plt.xlabel('r')
47 plt.ylabel('x')
48 plt.show()

Source : logistique.py

198 Chapitre 32. Suite logistique

 CHAPITRE 33

Ensemble de Julia

1 #!/usr/bin/env python3
2 # Time-stamp: <2018-07-19 10:43 [email protected]>
3

4 """
5 Visualisation de l'`ensemble de julia
6 <http://fr.wikipedia.org/wiki/Ensemble_de_Julia>`_.
7

8 Exercice: proposer des solutions pour accélerer le calcul.

9 """
10

11 import numpy as np
12 import matplotlib.pyplot as plt
13

14 c = complex(0.284, 0.0122) # Constante

15

16 xlim = 1.5 # [-xlim,xlim] × i[-xlim,xlim]

17 nx = 1000 # Nb de pixels
18 niter = 100 # Nb d'itérations
19

20 x = np.linspace(-xlim, xlim, nx) # nx valeurs de -xlim à +xlim

21 xx, yy = np.meshgrid(x, x) # Tableaux 2D
22 z = xx + 1j * yy # Portion du plan complexe
23 for i in range(niter): # Itération: z(n+1) = z(n)**2 + c
24 z = z ** 2 + c
25

26 # Visualisation
27 plt.imshow(np.abs(z), extent=[-xlim, xlim, -xlim, xlim], aspect='equal')
28 plt.title(c)
29 plt.show()

Source : julia.py

The following section was generated from Exercices/canon.ipynb . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

199
Analyse scientifique avec Python, Version Janvier 2021

200 Chapitre 33. Ensemble de Julia

 CHAPITRE 34

Trajectoire d’un boulet de canon

Nous allons intégrer les équations du mouvement pour un boulet de canon soumis à des forces de frot-
tement « turbulentes » (non-linéaires) :
𝛼
r̈ = g − 𝑣 × v.
𝑚
Cette équation différentielle non linéaire du 2d ordre doit être réécrite sous la forme de deux équations
différentielles couplées du 1er ordre :
{︃
ṙ = v
𝛼
v̇ = g − 𝑚 𝑣 × v.

Il s’agit donc de résoudre une seule équation différentielle du 1er ordre en z = (r, v).
[1]: %matplotlib inline

import numpy as N
import scipy.integrate as SI
import matplotlib.pyplot as P

Valeurs numériques pour un boulet de canon de 36 livres :

[2]: g = 9.81 # Pesanteur [m/s2]
cx = 0.45 # Coefficient de frottement d'une sphère
rhoAir = 1.2 # Masse volumique de l'air [kg/m3] au niveau de la mer, T=20°C
rad = 0.1748/2 # Rayon du boulet [m]
rho = 6.23e3 # Masse volumique du boulet [kg/m3]
mass = 4./3.*N.pi*rad**3 * rho # Masse du boulet [kg]
alpha = 0.5*cx*rhoAir*N.pi*rad**2 / mass # Coefficient de frottement par unité de masse
print("Masse du boulet: {:.2f} kg".format(mass))
print("Coefficient de frottement par unité de masse: {} S.I.".format(alpha))
Masse du boulet: 17.42 kg
Coefficient de frottement par unité de masse: 0.0003718994604243878 S.I.

Conditions initiales :
[3]: v0 = 450. # Vitesse initiale [m/s]
alt = 45. # Inclinaison du canon [deg]
alt *= N.pi / 180. # Inclinaison [rad]
z0 = (0., 0., v0 * N.cos(alt), v0 * N.sin(alt)) # (x0, y0, vx0, vy0)

201
 Analyse scientifique avec Python, Version Janvier 2021

√︁
𝑚
Temps caractéristique du système : 𝑡 = 𝑔𝛼 (durée du régime transitoire). L’intégration des équations
se fera sur un temps caractéristique, avec des pas de temps significativement plus petits.

[4]: tc = N.sqrt(mass / (g * alpha))

print("Temps caractéristique: {:.1f} s".format(tc))
t = N.linspace(0, tc, 100)
Temps caractéristique: 69.1 s

Définition de la fonction ż, avec z = (r, v)

[5]: def zdot(z, t):

"""Calcul de la dérivée de z=(x, y, vx, vy) à l'instant t."""

x, y, vx, vy = z
alphav = alpha * N.hypot(vx, vy)

return (vx, vy, -alphav * vx, -g - alphav * vy) # dz/dt = (vx,vy,x..,y..)

Intégration numérique des équations du mouvement à l’aide de la fonction scipy.integrate.odeint :

[6]: zs = SI.odeint(zdot, z0, t)

Le tableau zs contient les valeurs de 𝑧 à chaque instant 𝑡 : il est donc de taille (len(t),4).

[7]: ypos = zs[:,1]>=0 # y>0?

print("temps de coll. t(y~0) = {:.0f} s".format(t[ypos][-1])) # Dernier instant pour lequel y>0
print("portée x(y~0) = {:.0f} m".format(zs[ypos, 0][-1])) # Portée approximative du canon
#print "y(y~0) = {:.0f} m".format(zs[ypos, 1][-1]) # ~0
print("vitesse(y~0): {:.0f} m/s".format(N.hypot(zs[ypos, 2][-1], zs[ypos, 3][-1])))
temps de coll. t(y~0) = 36 s
portée x(y~0) = 3966 m
vitesse(y~0): 140 m/s

[8]: fig,ax = P.subplots()

ax.plot(zs[ypos, 0], zs[ypos, 1])
ax.set(xlabel="x [m]", ylabel="y [m]", title="Trajectoire du boulet");

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Exercices/canon.ipynb ends here.

202 Chapitre 34. Trajectoire d’un boulet de canon

 CHAPITRE 35

Équation d’état de l’eau

1 #!/usr/bin/env python3
2 # Time-stamp: <2018-07-19 10:38 [email protected]>
3

5 import numpy as N
6 import matplotlib.pyplot as P
7

8 import pytest # pytest importe pour les tests unitaires

9

10 """
11 Construction d'un système d'extraction et d'analyse de fichiers de sortie de
12 dynamique moléculaire afin d'extraire les grandeurs thermodynamiques.
13 On affichera les ensuite isothermes.
14 """
15

16 __author__ = "Adrien Licari <[email protected]>"

17

18

19 tolerance = 1e-8 # Un seuil de tolérance pour les égalités sur réels

20

21

22 ##############################
23 ##### A Simulation class #####
24 ##############################
25

26 class Simulation:
27 """
28 La classe Simulation représente une simulation de dynamique
29 moléculaire, donc un point de l'équation d'état. Son constructeur
30 doit impérativement ^etre appelé avec le chemin du fichier output
31 correspondant. Elle possède des méthodes pour extraire les grandeurs
32 thermodynamiques et afficher la run, en pouvant enlever certains pas
33 de temps en début de simulation.
34 """
35

36 def __init__(self, temp, dens, path):

37 """
38 Le constructeur doit impérativement ^etre appelé avec le chemin du
39 fichier décrivant la simulation, ainsi que ses conditions
(suite sur la page suivante)

203
 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

40 thermodynamiques.
41

42 Args :
43 temp,dens(float): La température et la densité de la simulation
44 path(string): Le chemin vers le fichier décrivant la simulation
45

46 Raises :
47 TypeError si temp ou dens ne sont pas des réels
48 IOError si le fichier n'existe pas
49 """
50 self.temp = float(temp)
51 self.dens = float(dens)
52 tmp = N.loadtxt(path, skiprows=1).T
53 self.pot = tmp[0]
54 self.kin = tmp[1]
55 self.tot = self.pot + self.kin
56 self.press = tmp[2]
57

58 def __str__(self):
59 """
60 Surcharge de l'opérateur str.
61 """
62 return "Simulation at {:.0f} g/cc and {:.0f} K ; {:d} timesteps". \
63 format(self.dens, self.temp, len(self.pot))
64

65 def thermo(self, skipSteps=0):

66 """
67 Calcule l'énergie et la pression moyenne au cours de la simulation.
68 Renvoie un dictionnaire.
69

70 Args:
71 skipSteps(int): Nb de pas à enlever en début de simulation.
72

73 Returns:
74 {'T':temperature, 'rho':density,
75 'E':energy, 'P':pressure,
76 'dE':dEnergy, 'dP':dPressure}
77 """
78 return {'T': self.temp,
79 'rho': self.dens,
80 'E': self.tot[skipSteps:].mean(),
81 'P': self.press[skipSteps:].mean(),
82 'dE': self.tot[skipSteps:].std(),
83 'dP': self.press[skipSteps:].std()}
84

85 def plot(self, skipSteps=0):

86 """
87 Affiche l'évolution de la Pression et l'énergie interne au cours de
88 la simulation.
89

90 Args:
91 skipSteps(int): Pas de temps à enelevr en début de simulation.
92

93 Raises:
94 TypeError si skipSteps n'est pas un entier.
95 """
96 fig, (axen, axpress) = P.subplots(2, sharex=True)
97 axen.plot(list(range(skipSteps, len(self.tot))), self.tot[skipSteps:],
98 'rd--')
99 axen.set_title("Internal energy (Ha)")
100 axpress.plot(list(range(skipSteps, len(self.press))), self.press[skipSteps:],
(suite sur la page suivante)

204 Chapitre 35. Équation d’état de l’eau

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

101 'rd--')
102 axpress.set_title("Pressure (GPa)")
103 axpress.set_xlabel("Timesteps")
104

105 P.show()
106

107 ##### Tests pour Simulation #####

108

109

110 def mimic_simulation(filename):

111 with open(filename, 'w') as f:
112 f.write("""Potential energy (Ha) Kinetic Energy (Ha) Pressure (GPa)
113 -668.2463567264 0.7755612311 9287.7370229824
114 -668.2118514558 0.7755612311 9286.1395903265
115 -668.3119088218 0.7755612311 9247.6604398856
116 -668.4762735176 0.7755612311 9191.8574820856
117 -668.4762735176 0.7755612311 9191.8574820856
118 """)
119

120

121 def test_Simulation_init():

122 mimic_simulation("equationEtat_simuTest.out")
123 s = Simulation(10, 10, "equationEtat_simuTest.out")
124 assert len(s.kin) == 5
125 assert abs(s.kin[2] - 0.7755612311) < tolerance
126 assert abs(s.pot[1] + 668.2118514558) < tolerance
127

128

129 def test_Simulation_str():

130 mimic_simulation("equationEtat_simuTest.out")
131 s = Simulation(10, 20, "equationEtat_simuTest.out")
132 assert str(s) == "Simulation at 20 g/cc and 10 K ; 5 timesteps"
133

134

135 def test_Simulation_thermo():

136 mimic_simulation("equationEtat_simuTest.out")
137 s = Simulation(10, 20, "equationEtat_simuTest.out")
138 assert abs(s.thermo()['T'] - 10) < tolerance
139 assert abs(s.thermo()['rho'] - 20) < tolerance
140 assert abs(s.thermo()['E'] + 667.56897157674) < tolerance
141 assert abs(s.thermo()['P'] - 9241.0504034731) < tolerance
142 assert abs(s.thermo(3)['E'] + 667.7007122865) < tolerance
143 assert abs(s.thermo(3)['P'] - 9191.8574820856) < tolerance
144

145 ###################
146 ### Main script ###
147 ###################
148

149 if __name__ == '__main__':

150 """
151 On définit un certain nombre de pas de temps à sauter, puis on
152 charge chaque simulation et extrait les informaions thermodynamiques
153 associées. On affiche enfin les isothermes normalisées (E/NkT et P/nkT).
154 """
155

156 ### Definitions ###

157 a0 = 0.52918 # Bohr radius in angstrom
158 amu = 1.6605 # atomic mass unit in e-24 g
159 k_B = 3.16681e-6 # Boltzmann's constant in Ha/K
160 # normalization factor for P/nkT
161 nk_GPa = a0 ** 3 * k_B * 2.942e4 / 6 / amu
(suite sur la page suivante)

205
 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

162 nsteps = 200 # define skipped timesteps (should be done for
163 # each simulation...)
164 temps = [6000, 20000, 50000] # define temperatures
165 colors = {6000: 'r', 20000: 'b', 50000: 'k'}
166 denss = [7, 15, 25, 30] # define densities
167 keys = ['T', 'rho', 'E', 'dE', 'P', 'dP']
168 eos = dict.fromkeys(keys, N.zeros(0)) # {key:[]}
169

170 ### Extract the EOS out of the source files ###
171 for t, rho in [(t, rho) for t in temps for rho in denss]:
172 filenm = "outputs/{} K_{:0>2d} gcc.out".format(t, rho)
173 s = Simulation(t, rho, filenm)
174 for key in keys:
175 eos[key] = N.append(eos[key], s.thermo(nsteps)[key])
176

177 ### Plot isotherms ###

178 fig, (axen, axpress) = P.subplots(2, sharex=True)
179 fig.suptitle("High-pressure equation of state for water", size='x-large')
180 axen.set_title("Energy")
181 axen.set_ylabel("U / NkT")
182 axpress.set_title("Pressure")
183 axpress.set_ylabel("P / nkT")
184 axpress.set_xlabel("rho (g/cc)")
185 for t in temps:
186 sel = eos['T'] == t
187 axen.errorbar(x=eos['rho'][sel], y=eos['E'][sel] / k_B / t,
188 yerr=eos['dE'][sel] / k_B / t, fmt=colors[t] + '-')
189 axpress.errorbar(x=eos['rho'][sel],
190 y=eos['P'][sel] / eos['rho'][sel] / nk_GPa / t,
191 yerr=eos['dP'][sel] / eos['rho'][sel] / nk_GPa / t,
192 fmt=colors[t] + '-',
193 label="{} K".format(t))
194 axpress.legend(loc='best')
195 P.show()

Source : equationEtatSol.py

206 Chapitre 35. Équation d’état de l’eau

 CHAPITRE 36

Solutions aux exercices

— Méthode des rectangles

— Fizz Buzz
— Algorithme d’Euclide
— Crible d’Ératosthène
— Carré magique
— Suite de Syracuse
— Flocon de Koch
— Jeu du plus ou moins
— Animaux
— Particules
— Jeu de la vie
— Median Absolute Deviation
— Distribution du pull
— Calculs numériques (numerique.ipynb)
— Quartet d’Anscombe
— Suite logistique
— Ensemble de Julia
— Trajectoire d’un boulet de canon (canon.ipynb)
— Équation d’état de l’eau

The following section was generated from Exercices/TD_numpy.ipynb . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

207
Analyse scientifique avec Python, Version Janvier 2021

208 Chapitre 36. Solutions aux exercices

 CHAPITRE 37

TD - Introduction à Numpy & Matplotlib

L’objectif de ce TD est de se familiariser avec les principales librairies numériques de Python, à savoir
numpy, scipy et matplotlib.
Vous importerez ces bibliothèques avec les instructions suivantes :

[1]: %matplotlib inline

import numpy as np
import matplotlib.pyplot as plt
import scipy.stats

Les parties notées « Pour aller plus loin » sont à traiter chez vous ou à la fin du TP si le temps le
permet.
IMPORTANT : n’oubliez pas d’ajouter des commentaires à votre code.

37.1 Rappels Matplotlib

La fonction de haut niveau plt.subplots permet de générer, dans son utilisation la plus simple, une figure
(fig) et un système d’axe (ax) :

fig, ax = plt.subplots(1, 1) # Figure à 1×1=1 syst. d'axes

— fig est un objet de type Figure contenant un (ou plusieurs) système(s) d’axes, et pouvant être
affiché ou sauvegardé (p.ex. au format PDF ou PNG) ;
— ax est un objet de type Axes disposant de nombreuses méthodes de visualisation (plot, scatter,
imshow, hist, etc.), et de personalisation (xlabel, xscale, title, legend, grid, etc.).

209
 Analyse scientifique avec Python, Version Janvier 2021

37.2 Tracé de courbes (1D)

37.2.1 Figure de diffraction par une fente fine

La répartition de l’intensité lumineuse d’une onde monochromatique diffractée par une fente fine de
largeur 𝑎 est :
(︂ )︂
𝜋𝑎 sin 𝜃
𝐼(𝜃) = 𝐼0 sin2𝑐
𝜆

où 𝜆 est la longeur d’onde, 𝜃 l’angle au centre et 𝐼0 l’intensité au centre de la figure de diffraction.

Nous allons tracer l’allure de la fonction 𝐼/𝐼0 en fonction de 𝑥 = (𝜋𝑎 sin 𝜃)/𝜆.
— Générer un vecteur 𝑥 de 200 points entre ±4𝜋 (à l’aide de la fonction numpy.linspace)
— Génerer le vecteur 𝑦 = sin𝑐 (𝑥) (utiliser numpy.sinc = sin(𝜋𝑥)/(𝜋𝑥))

[2]: x = np.linspace(-4 * np.pi, +4 * np.pi, 200)

y = np.sinc(x / np.pi)

— Dans une figure à un système d’axe, tracer conjointement 𝑦 et 𝑦 2 en fonction de 𝑥.

— Agrémenter la figure pour la rendre compréhensible (titre de la figure et des axes, légende, etc.).
— Sauvegarder la figure au format PDF (utiliser plt.savefig)

[3]: fig, ax = plt.subplots(1, 1)

ax.plot(x, y, label='sinc') # Tracé y(x)
ax.plot(x, y**2, label=u'sinc2 ') # Tracé y2 (x)
ax.set(title=u'sinc et sinc2 ', # Titre et intitulé des axes
xlabel=r'$x = (\pi a \sin\theta)/\lambda$', ylabel=r'$y = I(\theta)/I_0$')
ax.legend() # Légende
plt.savefig("diffraction.pdf") # Sauvegarde au format PDF

210 Chapitre 37. TD - Introduction à Numpy & Matplotlib

 Analyse scientifique avec Python, Version Janvier 2021

Pour aller plus loin

1. Modifier le code pour prendre en compte une largeur de fente et une longueur d’onde précise.
2. En choisissant différentes valeurs de 𝑎 et 𝜆, tracer sur une même figure l’évolution de la figure de
diffraction :
— pour des largeurs de fentes différentes, à une seule longueur d’onde,
— pour différentes longueurs d’onde, avec une fente de largeur fixée.

37.2.2 Trèfles de Habenicht (courbe polaire)

Les trèfles de Habenicht sont des courbes «ornementales» en représentation polaire, d’équation

𝑟𝑛 (𝜃) = 1 + cos 𝑛𝜃 + sin2 𝑛𝜃, 𝑛 ∈ N*

— Définir la fonction habenicht(n, theta) permettant de calculer 𝑟𝑛 (𝜃).

[4]: def habenicht(n, theta):

return 1 + np.cos(n * theta) + np.sin(n * theta) ** 2

— Générer un vecteur 𝜃 de 200 points entre 0 et 2𝜋.

— Génerer les tableaux 1D r3, r5 et r7 des valeurs de 𝑟𝑛 (𝜃) pour 𝑛 = 3, 5, 7.

[5]: theta = np.linspace(0, 2 * np.pi, 100)

r3 = habenicht(3, theta)
r5 = habenicht(5, theta)
r7 = habenicht(7, theta)

37.2. Tracé de courbes (1D) 211

 Analyse scientifique avec Python, Version Janvier 2021

Rappel

Pour tracer une courbe en coordonnées polaires, il faut un système d’axes adapté :

fig = plt.figure() # Création de la figure seule

ax = fig.add_subplot(1, 1, 1, projection='polar') # Ajout d'un syst. d'axes en polaire

— Tracer dans un même système d’axes les différentes courbes polaires 𝑟𝑛=3,5,7 (𝜃).

[6]: fig = plt.figure()

ax = fig.add_subplot(1, 1, 1, projection='polar')
ax.plot(theta, r3, label='n=3')
ax.plot(theta, r5, label='n=5')
ax.plot(theta, r7, label='n=7')
fig.legend();

37.2.3 Rappels sur les complexes

Python et numpy gèrent nativement les complexes (le nombre imaginaire pur est noté 𝑗). Pour un
complexe 𝑧 = 𝑎 + 𝑏𝑗 = 𝜌 𝑒𝑗𝜃 , on a * z = a + b * 1j ou z = rho * np.exp(1j * theta) * parties
réelle et imaginaire : a = np.real(z), b = np.imag(z), * module et argument : rho = np.abs(z),
theta = np.angle(z) (en radians).

[7]: z = 1 + 2j
print("z:", z)
print("Parties réelle et imaginaire:", np.real(z), np.imag(z))
print("Module et argument:", np.abs(z), np.angle(z))
z: (1+2j)
Parties réelle et imaginaire: 1.0 2.0
Module et argument: 2.23606797749979 1.1071487177940904

212 Chapitre 37. TD - Introduction à Numpy & Matplotlib

 Analyse scientifique avec Python, Version Janvier 2021

37.2.4 Filtre passe-haut (diagramme de Bode)

La fonction de transfert 𝐻 d’un filtre est définie comme le rapport entre le signal (complexe) de sortie 𝑆
et le signal (complexe) d’entrée 𝐸 : 𝐻 = 𝑆/𝐸. 𝐻 est une grandeur complexe fonction de la pulsation 𝜔,
et dont le module donne le facteur d’atténuation/amplification (gain) et l’argument le déphasage entre
les signaux de sortie et d’entrée (phase).
Un filtre «passe-haut» permet de ne laisser passer que les signaux dont la pulsation 𝜔 = 2𝜋𝑓 est supérieure
à une valeur de coupure 𝜔0 et d’atténuer les signaux de fréquence inférieure.
Nous voulons étudier le filtre passe-haut du 2e ordre dont la fonction de transfert complexe est :

𝑃 𝐻2 −𝑥2
𝐻𝑄 (𝑥) =
1 − 𝑥2 + 𝑗𝑥/𝑄

où 𝑥 = 𝜔/𝜔0 est la pulsation réduite, et 𝑄 > 0 le facteur de qualité.

Nous allons pour cela tracer son diagramme de Bode, constitué de deux graphiques représentant le
comportement fréquentiel (en échelle logarithmique) de son gain (exprimé en dB) et de sa phase.
— Définir une fonction H_PH2(x, Q=1) retournant la fonction de transfert complexe précédente (on
choisit un facteur de qualité 𝑄 = 1 par défaut).

[8]: def H_PH2(x, Q=1):

"""
Fonction de transfert complexe d'un filtre passe-haut du 2e ordre.

x: pulsation réduite
Q: facteur de qualité
"""

return -x**2 / (1 - x**2 + 1j * x / Q)

— Définir une fonction gain_dB(H) retournant le gain en dB de la fonction de transfert complexe

H : 𝐺𝑑𝐵 = 20 log10 |𝐻|. Pour la phase, utiliser directement la fonction numpy.angle.

[9]: def gain_dB(H):

"Gain en dB."

return 20 * np.log10(np.abs(H))

— Générer un vecteur 𝑥 de 100 points disposés logarithmiquement entre 0.1 et 10 (numpy.logspace).

— Tracer dans 2 systèmes d’axes superposés (plt.subplots(2, 1)) le gain (en dB) et la phase (en
𝑃 𝐻2
radians) du filtre 𝐻𝑄 (𝑥) pour 𝑄 = 1/5, 𝑄 = 1 et 𝑄 = 5.

[10]: x = np.logspace(-1, 1, 100)

fig, (ax1, ax2) = plt.subplots(2, 1)

# Gain [dB]
ax1.plot(x, gain_dB(H_PH2(x, Q=0.2)), label='Q=1/5')
ax1.plot(x, gain_dB(H_PH2(x, Q=1)), label='Q=1')
ax1.plot(x, gain_dB(H_PH2(x, Q=5)), label='Q=5')

# Phase [rad]
ax2.plot(x, np.angle(H_PH2(x, Q=0.2)))
ax2.plot(x, np.angle(H_PH2(x, Q=1)))
ax2.plot(x, np.angle(H_PH2(x, Q=5)))

ax1.set(ylabel='Gain [dB]', xscale='log', title='Filtre passe-haut du 2e ordre')

ax2.set(xlabel=u'Pulsation réduite x', xscale='log', ylabel='Phase [rad]')
ax1.legend()
ax1.grid(which='both')
ax2.grid(which='both')

37.2. Tracé de courbes (1D) 213

 Analyse scientifique avec Python, Version Janvier 2021

37.2.5 Étalonnage d’un monochromateur avec une lampe à vapeur de mercure

Un monochromateur est un dispositif optique permettant de mesurer ou de selectionner une longue
d’onde précise d’un rayonnement. Il est constitué d’un système dispersif qui peut être un prisme ou un
réseau. L’étalonnage d’un monochromateur a pour objectif de déterminer la relation 𝜆 = 𝑓 (𝑝) entre la
position 𝑝 du système dispersif (p.ex. un angle) et la longueur d’onde 𝜆 du rayonnement.
Le fichier etalonnageMonochromateur.dat contient les données 𝑝, 𝜆, 𝛿𝑝 obtenues lors de l’étalonnage d’un
monochromateur à l’aide d’une lampe à vapeur de mercure dont les longueurs d’onde sont connues.
— Ouvrir le fichier etalonnageMonochromateur.dat avec un éditeur de texte ou jupyter pour déter-
miner la strcuture du fichier (nombre, séparation, contenu des colonnes, commentaires, etc.).
— Connaissant la structure du fichier, charger les données dans un tableau numpy avec np.loadtxt.
Quel est le format du tableau résultant ?

[11]: # lecture des données à partir d'un fichier "classique" (séparation par des espaces,␣
˓→commentaires '#')

data = np.loadtxt('etalonnageMonochromateur.dat')
print(data.shape)
(6, 3)

— Tracer les données 𝜆 = 𝑓 (𝑝) dans un graphique.

Rappel : dans un tableau 2D, les lignes et les colonnes sont accessibles par slice, p.ex. data[0] et
data[:, 1] donnent respectivement accès à la 1re ligne et 2e colonne du tableau data.

[12]: position = data[:, 0] # 1e colonne

wavelength = data[:, 1] # 2e colonne

fig, ax = plt.subplots(1, 1)
ax.scatter(position, wavelength, marker='+', s=50, label=u'Données')
ax.set(title=u'Étalonnage monochromateur',
xlabel='Position [u.a.]', ylabel = "Longueur d'onde [nm]")
ax.legend();

214 Chapitre 37. TD - Introduction à Numpy & Matplotlib

 Analyse scientifique avec Python, Version Janvier 2021

Étalonner le monochromateur consiste à déterminer une relation analytique approchant «au mieux» la
relation entre les valeurs (𝑝𝑖 , 𝜆𝑖 ) observée avec la lampe d’étalonnage. Une fois cette relation établie, elle
permet de prédire la longueur d’onde correspondant à une position 𝑝 quelconque (dans le domaine de
validité de la relation d’étalonnage).
Compte tenu de la répartition linéaire des points (𝜆𝑖 , 𝑝𝑖 ), la relation d’étalonnage sera obtenue en ajustant
les données avec une régression linéaire 𝜆 = 𝑎𝑝 + 𝑏 (utiliser scipy.stats.linregress) :

a, b, r_value, p_value, std_err = scipy.stats.linregress(x, y)

Le coefficient de corrélation linéaire 𝑟 (r_value) indique le degré de corrélation linéaire entre les deux
variables (−1 ≤ 𝑟 ≤ +1, on regarde en général le coeff. de détermination 𝑟2 ). (Les deux autres paramètres
p_value et std_err ne sont pas considérés ici.)
— Déterminer et afficher l’équation de la droite d’étalonnage 𝜆 = 𝑎𝑝 + 𝑏, ainsi que son coefficient de
détermination 𝑟2 .

[13]: a, b, r_value, p_value, std_err = scipy.stats.linregress(position, wavelength)

print("Éq. de la droite d'étalonnage: lambda = {:.3f} position {:+.3f} (r2 = {:.3f} )".format(a,
˓→ b, r_value**2))

Éq. de la droite d'étalonnage: lambda = 1.035 position -85.632 (r2 = 1.000)

— Ajouter la droite d’étalonnage 𝜆 = 𝑎𝑝 + 𝑏 à la figure précedente. Les longueurs d’onde seront

calculées pour des valeurs de 𝑝 comprises entre 400 et 700.
Rappel : en mode non-interactif(%matplotlib inline), si une figure fig existe déja, il est nécessaire
de la réafficher (fig) après modification. En mode intéractif (%matplotlib notebook), la figure est
automatiquement mise à jour au fur et à mesure.

[14]: p = np.linspace(400, 700, 2)

ax.plot(p, a * p + b, color='C1', label=r"$\lambda = {:.3f} \times p {:+.3f} $ ($r^2 = {:.3f} $)
˓→".format(a, b, r_value**2))

ax.legend();
ax.set(xlim=(400, 700))
fig

37.2. Tracé de courbes (1D) 215

 Analyse scientifique avec Python, Version Janvier 2021

[14]:

Pour aller plus loin : Ajouter sur la figure les barres d’erreur 𝛿𝑝 sur la position 𝑝. En toute rigueur,
il faudrait en tenir compte dans l’ajustement de la loi d’étalonnage (moindres carrés pondérés).
Pour la lisibilité, vous devrez multiplier les barres d’erreur 𝛿𝑝 par un facteur multiplicatif pour les
visualiser distinctement sur la figure. Ajouter cette information sur la figure.

[15]: errFactor = 300

delta_p = data[:,2] * errFactor

ax.errorbar(position, wavelength, xerr=delta_p, fmt='none', ecolor='C0', capsize=4, label=r"$\

˓→delta p$ ($\times{} )$".format(errFactor))

ax.legend()
fig
[15]:

216 Chapitre 37. TD - Introduction à Numpy & Matplotlib

 Analyse scientifique avec Python, Version Janvier 2021

37.3 Le quartet d’Anscombe

Nous allons charger et étudier 4 jeux de données (𝑥, 𝑦), d’abord en calculant des statistiques descriptives
(moyennes, écarts type, etc.) puis en les visualisant.
— Utiliser la fonction numpy.loadtxt pour charger les données du fichier anscombe.dat disponible
depuis Claroline. Quel format (shape) a le tableau de retour ?

[16]: data = np.loadtxt('anscombe.dat')

print(data.shape)
(11, 8)

— Extraire du tableau précédent 4 jeux de données j1 (les 2 premières colonnes), j2 (les 2 suivantes),
j3 et j4, chacun de format (11, 2).

[17]: j1 = data[:, 0:2]

j2 = data[:, 2:4]
j3 = data[:, 4:6]
j4 = data[:, 6:8]

print(j1.shape)
(11, 2)

— Pour chacun des 4 jeux de données x, y = j.T, calculer et afficher (avec 2 chiffres après la virgule)
les statistiques suivantes :
— les moyennes de 𝑥 et 𝑦 (numpy.mean),
— les écarts-type de 𝑥 et 𝑦 (numpy.std),
— le coefficient de corrélation entre 𝑥 et 𝑦 (scipy.stats.pearsonr),
— l’équation de la droite de régression linéaire 𝑦 = 𝑎𝑥 + 𝑏 (scipy.stats.linregress).
Que constatez-vous ? Que pouvez-vous en déduire ?

[18]: for i, ji in enumerate([j1, j2, j3, j4], start=1):

print(" Jeu #{} ".format(i).center(34, '='))
x, y = ji.T
print("Moyennes: x={:.2f} , y={:.2f} ".format(np.mean(x), np.mean(y)))
print("Écarts-type: x={:.2f} , y={:.2f} ".format(np.std(x), np.std(y)))
r, _ = scipy.stats.pearsonr(x, y)
print("Coeff. corrélation: r={:.2f} ".format(r))
# slope, intercept, r_value, p_value, std_err
a, b, _, _, _ = scipy.stats.linregress(x, y)
print("Rég. linéaire: a={:.2f} , b={:.2f} ".format(a, b))
============= Jeu #1 =============
Moyennes: x=9.00, y=7.50
Écarts-type: x=3.16, y=1.94
Coeff. corrélation: r=0.82
Rég. linéaire: a=0.50, b=3.00
============= Jeu #2 =============
Moyennes: x=9.00, y=7.50
Écarts-type: x=3.16, y=1.94
Coeff. corrélation: r=0.82
Rég. linéaire: a=0.50, b=3.00
============= Jeu #3 =============
Moyennes: x=9.00, y=7.50
Écarts-type: x=3.16, y=1.94
Coeff. corrélation: r=0.82
Rég. linéaire: a=0.50, b=3.00
============= Jeu #4 =============
Moyennes: x=9.00, y=7.50
Écarts-type: x=3.16, y=1.94
(suite sur la page suivante)

37.3. Le quartet d’Anscombe 217

 Analyse scientifique avec Python, Version Janvier 2021

(suite de la page précédente)

Coeff. corrélation: r=0.82
Rég. linéaire: a=0.50, b=3.00

— Au sein d’une même figure (plt.subplots(2, 2)), tracer les 4 jeux de données (𝑥𝑖 , 𝑦𝑖 ) (p.ex.
plot(x, y, 'bo')), en y ajoutant à chaque fois la droite de régression linéaire (p.ex. plot(x,
a*x+b, 'r-')).
Que conclure ?

[19]: fig, axs = plt.subplots(2, 2, figsize=(8, 8), sharex=True, sharey=True) # retourne un tableau␣
˓→axs de format (2, 2)

for i, ji in enumerate([j1, j2, j3, j4]):

x, y = ji.T
a, b, _, _, _ = scipy.stats.linregress(x, y)
xx = np.array([x.min(), x.max()])

axs[i//2, i%2].plot(x, y, ls='none', marker='o')

axs[i//2, i%2].plot(xx, a*xx + b)
axs[i//2, i%2].set(title="Jeu #{}".format(i + 1))

[ ax.set(xlabel='x') for ax in axs[1] ]

[ ax.set(ylabel='y') for ax in axs[:, 0] ]
fig.tight_layout()

218 Chapitre 37. TD - Introduction à Numpy & Matplotlib

 Analyse scientifique avec Python, Version Janvier 2021

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Exercices/TD_numpy.ipynb ends here.

The following section was generated from Projets/sridhar_touma.ipynb . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

37.3. Le quartet d’Anscombe 219

Analyse scientifique avec Python, Version Janvier 2021

220 Chapitre 37. TD - Introduction à Numpy & Matplotlib

 CHAPITRE 38

Potentiel de Sridhar & Touma

[1]: import numpy as N

import matplotlib.pyplot as P

%matplotlib inline

38.1 Définition du potentiel et de ses dérivées

Voir Sridhar & Touma (1999).

[2]: def potentiel_ST(r, theta, alpha=0.5):

"""
Potentiel de Sridhar & Touma, coordonnées polaires (theta en radians).
"""

return r**alpha * ( (1 + N.cos(theta))**(1 + alpha) + (1 - N.cos(theta))**(1 + alpha) )

[3]: def dpST_dr(r, theta, alpha=0.5):

"""
Dérivé du potientel ST par rapport à r.
"""

return alpha * potentiel_ST(r, theta, alpha=alpha) / r

[4]: def dpST_dtheta(r, theta, alpha=0.5):

"""
Dérivé du potientel ST par rapport à theta.
"""

return - (1 + alpha) * N.sin(theta) * r**alpha * ( (1 + N.cos(theta))**alpha - (1 - N.

˓→ cos(theta))**alpha )

221
 Analyse scientifique avec Python, Version Janvier 2021

38.2 Isopotentiels

[5]: def plot_isopotentiels(potentiel, x=None, y=None, ax=None):

"""
Trace les isopotentiels du *potentiel* (défini en coord. polaires).
"""

if ax is None:
fig, ax = P.subplots()

if x is None:
x = N.linspace(-2, 2, 61)

if y is None:
y = N.linspace(-2, 2, 61)

xx, yy = N.meshgrid(x, y)

# Conversion des coordonnées cartésiennes en polaires

r = N.hypot(xx, yy)
t = N.arctan2(yy, xx)

# Calcul du potentiel exprimés en coord. polaires

pot = potentiel(r, t)

ax.contour(xx, yy, pot)

return ax

[6]: ax = plot_isopotentiels(potentiel_ST)
ax.set(title="Potentiel de Sridhar & Touma", aspect='equal')
ax.figure.set_size_inches((8, 6))

222 Chapitre 38. Potentiel de Sridhar & Touma

 Analyse scientifique avec Python, Version Janvier 2021

38.3 Intégration numérique des orbites

[7]: import scipy.integrate as SI

def zdot_ST(z, t):

"""
z = (r, theta, rdot, thetadot) pour le potentiel de ST(alpha=0.5).
"""

alpha = 0.5
r, theta, rdot, thetadot = z

rdotdot = r * thetadot**2 - dpST_dr(r, theta, alpha=alpha)

thetadotdot = -2/r * rdot * thetadot - r**-2 * dpST_dtheta(r, theta, alpha=alpha)

# zdot = (rdot, thetadot, rdotdot, thetadotdot)

return (rdot, thetadot, rdotdot, thetadotdot)

[8]: def temps_caract(potentiel, r0, theta0):

"""
Temps caractéristique.
"""

return 2 * N.pi * r0 / potentiel(r0, theta0) ** 0.5

[9]: def energie(zs, potentiel):

"""
Énergie totale = potentiel(r, theta) + 0.5 * (rp**2 + (r*thetap)**2)
"""

if N.ndim(zs) == 2:
rs, thetas, rdots, thetadots = zs.T
else:
rs, thetas, rdots, thetadots = zs

kin = 0.5 * (rdots**2 + (rs * thetadots)**2)

pot = potentiel(rs, thetas)

return kin + pot

38.3.1 Orbite sans vitesse initiale

[10]: r0, theta0, rdot0, thetadot0 = z0 = (1, N.pi/5, 0, 0) # Conditions initiales

tc = temps_caract(potentiel_ST, r0, theta0)
E0 = energie(z0, potentiel_ST)

print("Conditions initiales:", z0)

print("Temps caractéristique:", tc)
print("Énergie initiale:", E0)
Conditions initiales: (1, 0.6283185307179586, 0, 0)
Temps caractéristique: 3.96071923264
Énergie initiale: 2.51658510752

[11]: ntc = 25 # Nb de temps caractéristiques

npts = 1000 # Nb de points
t = N.linspace(0, ntc * tc, npts)
zs = SI.odeint(zdot_ST, z0, t)

38.3. Intégration numérique des orbites 223

 Analyse scientifique avec Python, Version Janvier 2021

[12]: rs, thetas, rdots, thetadots = zs.T

xs = rs * N.cos(thetas)
ys = rs * N.sin(thetas)

[13]: ax = plot_isopotentiels(potentiel_ST)
ax.scatter([xs[0]], [ys[0]], marker='o', color='r') # Position initiale
ax.plot(xs, ys, color='0.2')
ax.set(title="Potentiel de Sridhar & Touma", aspect='equal')
ax.figure.set_size_inches((8, 6))

[14]: es = energie(zs, potentiel_ST)

E0 = es[0]

fig, ax = P.subplots()
ax.plot(t, es/E0 - 1)
ax.set(xlabel='Temps', ylabel=u"Fluctuation d'énergie")
ax.ticklabel_format(style='sci', scilimits=(-3, 3), axis='y');

224 Chapitre 38. Potentiel de Sridhar & Touma

 Analyse scientifique avec Python, Version Janvier 2021

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Projets/sridhar_touma.ipynb ends here.

38.3. Intégration numérique des orbites 225

Analyse scientifique avec Python, Version Janvier 2021

226 Chapitre 38. Potentiel de Sridhar & Touma

 CHAPITRE 39

Examen final, Janvier 2015

Consignes :
— Vous avez accès à tout l’internet « statique » (hors mail, tchat, forum, etc.), y compris donc au
cours en ligne.
— Ne soumettez pas de codes non-fonctionnels (i.e. provoquant une exception à l’interprétation,
avant même l’exécution) : les erreurs de syntaxe seront lourdement sanctionnées.
— Respectez scrupuleusement les directives de l’énoncé (nom des variables, des méthodes, des fichiers,
etc.), en particulier concernant le nom des fichiers à renvoyer aux correcteurs.

39.1 Exercice
Un appareil de vélocimétrie a mesuré une vitesse à intervalle de temps régulier puis à sorti le fichier texte
velocimetrie.dat (attention à l’entête). Vous écrirez un script python « exo_nom_prénom.py » (sans
accent) utilisant matplotlib qui générera, affichera et sauvegardera sous le nom « exo_nom_prénom.
pdf » une figure composée de trois sous-figures, l’une au dessus de l’autre :
1. la vitesse en mm/s mesurée en fonction du temps,
2. le déplacement en mètres en fonction du temps. On utilisera volontairement une intégration naïve
à partir de zéro via la fonction numpy.cumsum(),
3. l’accélération en m/s2 en fonction du temps. On utilisera volontairement une dérivation naïve à
deux points :

𝑓 (𝑥 + ℎ) − 𝑓 (𝑥 − ℎ)
𝑓 ′ (𝑥) ≈
2ℎ
via la fonction numpy.diff(). Attention, si l’entrée de cette fonction est un tableau de taille N,
sa sortie est un tableau de taille N-1.
Le script doit lire le fichier velocimetrie.dat stocké dans le répertoire courant. On prendra soin des
noms des axes et des unités physiques. Si les trois axes des abscisses sont identiques, seul celui de la
troisième sous-figure peut être nommé.

227
Analyse scientifique avec Python, Version Janvier 2021

39.2 Le problème du voyageur de commerce

39.2.1 Introduction
Le problème du voyageur de commerce est un problème d’optimisation consistant à déterminer le plus
court chemin reliant un ensemble de destinations. Il n’existe pas d’algorithme donnant la solution opti-
male en un temps raisonnable (problème NP-complet), mais l’on peut chercher à déterminer des solutions
approchées.
On va se placer ici dans le cas d’un livreur devant desservir une seule fois chacune des n destinations
d’une ville américaine où les rues sont agencées en réseau carré (Figure). On utilise la « distance de
Manhattan » (norme L1) entre deux points 𝐴(𝑥𝐴 , 𝑦𝐴 ) et 𝐵(𝑥𝐵 , 𝑦𝐵 ) :

𝑑(𝐴, 𝐵) = |𝑥𝐵 − 𝑥𝐴 | + |𝑦𝐵 − 𝑦𝐴 |.

En outre, on se place dans le cas où les coordonnées des destinations sont entières, comprises entre 0 (in-
clus) et TAILLE = 50 (exclus). Deux destinations peuvent éventuellement avoir les mêmes coordonnées.
Les instructions suivantes doivent permettre de définir les classes nécessaires (Ville et Trajet) et de dé-
velopper deux algorithmes approchés (heuristiques) : l’algorithme du plus proche voisin, et l’optimisation
2-opt. Seules la librairie standard et la librairie numpy sont utilisables si nécessaire.
Un squelette du code, définissant l’interface de programmation et incluant des tests unitaires (à utiliser
avec py.test), vous est fourni : exam_1501.py. Après l’avoir renommé « pb_nom_prénom.py » (sans
accent), l’objectif est donc de compléter ce code progressivement, en suivant les instructions suivantes.
Une ville-test de 20 destinations est fournie : ville.dat (Fig.), sur laquelle des tests de lecture et
d’optimisation seront réalisés.

39.2.2 Classe Ville

Les n coordonnées des destinations sont stockées dans l’attribut destinations, un tableau numpy d’en-
tiers de format (n, 2).
1. __init__() : initialisation d’une ville sans destination (déjà implémenté, ne pas modifier).
2. aleatoire(n) : création de n destinations aléatoires (utiliser numpy.random.randint()).
3. lecture(nomfichier) : lecture d’un fichier ASCII donnant les coordonnées des destinations.
4. ecriture(nomfichier) : écriture d’un fichier ASCII avec les coordonnées des destinations.
5. nb_trajet() : retourne le nombre total (entier) de trajets : (𝑛−1)!/2 (utiliser math.factorial()).
6. distance(i, j) : retourne la distance (Manhattan-L1) entre les deux destinations de numéro i
et j.

39.2.3 Classe Trajet

L’ordre des destinations suivi au cours du trajet est stocké dans l’attribut etapes, un tableau numpy
d’entiers de format (n,).
1. __init__(ville, etapes=None) : initialisation sur une ville. Si la liste etapes n’est pas spé-
cifiée, le trajet par défaut est celui suivant les destinations de ville.
2. longueur() : retourne la longueur totale du trajet bouclé (i.e. revenant à son point de départ).

228 Chapitre 39. Examen final, Janvier 2015

 Analyse scientifique avec Python, Version Janvier 2021

L=774
L=288
20 destinations L=276
50 12 5 16
87

17 3
40 14
10
4 1 19
30
18

20 15 9
11 2

10 6

13 0
0
0 10 20 30 40 50

Fig. 39.1 – Figure : Ville-test, avec 20 destinations et trois trajets de longueurs différentes : un trajet
aléatoire (L=774 ), un trajet plus proche voisins (L=288 ), et un trajet après optimisation opt-2 (L=276 ).

39.2. Le problème du voyageur de commerce 229

Analyse scientifique avec Python, Version Janvier 2021

39.2.4 Heuristique Plus proche voisin

1. Ville.plus_proche(i, exclus=[]) : retourne la destination la plus proche de la destination i
(au sens de Ville.distance()), hors les destinations de la liste exclus.
2. Ville.trajet_voisins(depart=0) : retourne un Trajet déterminé selon l’heuristique des plus
proches voisins (i.e. l’étape suivante est la destination la plus proche hors les destinations déjà
visitées) en partant de l’étape initiale depart.

39.2.5 Heuristique Opt-2

1. Trajet.interversion(i, j) : retourne un nouveau Trajet résultant de l’interversion des 2
étapes i et j.
2. Ville.optimisation_trajet(trajet) : retourne le Trajet le plus court de tous les trajets « voi-
sins » à trajet (i.e. résultant d’une simple interversion de 2 étapes), ou trajet lui-même s’il est
le plus court.
3. Ville.trajet_opt2(trajet=None, maxiter=100) : à partir d’un trajet initial (par défaut le
trajet des plus proches voisins), retourne un Trajet optimisé de façon itérative par interversion
successive de 2 étapes. Le nombre maximum d’itération est maxiter.

39.2.6 Questions hors-barême

À l’aide de la librairie matplotlib :

1. Ville.figure() : trace la figure représentant les destinations de la ville (similaire à la Figure).
2. Ville.figure(trajet=None) : compléter la méthode précédente pour ajouter un trajet au plan
de la ville (utiliser matplotlib.step() pour des trajets de type « Manhattan »).

39.3 Correction
Corrigé

230 Chapitre 39. Examen final, Janvier 2015

 Bibliographie

[Astropy13] 2013A&A. . . 558A..33A

231
Analyse scientifique avec Python, Version Janvier 2021

232 Bibliographie
 Index

Symboles broadcasting
* numpy, 48
dépaquetage, 28
** C
dépaquetage, 28 c_
**kwargs, 28 numpy, 45
*args, 28 class, 22
@ méthode de classe, 32
décorateur, 29 méthode statique, 32
numpy, 50 variable, 31
$PATH, 5 classmethod, 32
columns
A pandas, 65
agg complex
pandas, 72 type numérique, 11
all continue, 13
numpy, 50 cut
allclose pandas, 71
numpy, 50
any D
numpy, 50 décorateur
arange @, 29
numpy, 44 dépaquetage
argparse *, 28
module, 40 **, 28
args, 18 DataArray
array xarray, 74
numpy, 44 DataFrame
assert pandas, 64
exceptions, 22 Dataset
astropy xarray, 74
module, 76 def, 18
at dict
pandas, 66 itérables, 12
Axes dir, 15
matplotlib, 56 dot
axis numpy, 50
numpy, 49 drop
pandas, 68
B dropna
bool pandas, 68
type numérique, 11, 13 dstack
break, 13 numpy, 48
dtype

233
Analyse scientifique avec Python, Version Janvier 2021

numpy, 51 ipython, 7
python, 6
E isinstance, 12
exceptions itérables, 16
assert, 22 dict, 12
raise, 21 len, 14
try ... except, 21 list, 12
expand_dims set, 12
numpy, 47 slice, 14
str, 11, 14
F tuple, 12
Figure
matplotlib, 56 K
file, 26 kwargs, 18
fillna
pandas, 68 L
filter lambda, 31
pandas, 66 len
float itérables, 14
type numérique, 11 linspace
for ... in, 13 numpy, 44
full list
numpy, 44 itérables, 12
loc
G pandas, 66
genfromtxt xarray, 74
numpy, 51, 52 logspace
GridSpec numpy, 44
matplotlib, 57
groupby M
pandas, 72 méthode de classe
class, 32
H méthode statique
hstack class, 32
numpy, 48 matplotlib
Axes, 56
I Figure, 56
iat GridSpec, 57
pandas, 66 module, 54
identity mplot3d, 60
numpy, 50 pylab, 55
idxmin pyplot, 55
pandas, 71 savefig, 58
if ... elif ... else, 13 show, 58
iloc subplots, 56
pandas, 66 matrix
import, 19 numpy, 50
Index mayavi/mlab
pandas, 65 module, 60
index meshgrid
pandas, 65 numpy, 45
input, 26 mgrid
int numpy, 45
type numérique, 11 module
interfaces argparse, 40
jupyter, 7 astropy, 76
interpréteur matplotlib, 54
mayavi/mlab, 60

234 Index
 Analyse scientifique avec Python, Version Janvier 2021

numpy, 43 rollaxis, 47
numpy.fft, 53 save/load, 52
numpy.linalg, 50 savetxt/loadtxt, 52
numpy.ma, 52 slicing, 46
numpy.polynomial, 53 squeeze, 47
numpy.random, 46, 53 transpose, 47
pandas, 63 ufuncs, 50
pickle, 40 vstack, 48
scipy, 53 where, 49
seaborn, 73 zeros, 44
sys, 39 numpy.fft
turtle, 111 module, 53
xarray, 74 numpy.linalg
mplot3d module, 50
matplotlib, 60 numpy.ma
module, 52
N numpy.polynomial
ndarray module, 53
numpy, 44 numpy.random
newaxis module, 46, 53
numpy, 47, 48
None, 11 O
nonzero ogrid
numpy, 49 numpy, 45
numpy ones
@, 50 numpy, 44
all, 50 opérateur ternaire (... if ... else ...), 13
allclose, 50 open, 26
any, 50
arange, 44 P
array, 44 pandas
axis, 49 agg, 72
broadcasting, 48 at, 66
c_, 45 columns, 65
dot, 50 cut, 71
dstack, 48 DataFrame, 64
dtype, 51 drop, 68
expand_dims, 47 dropna, 68
full, 44 fillna, 68
genfromtxt, 51, 52 filter, 66
hstack, 48 groupby, 72
identity, 50 iat, 66
linspace, 44 idxmin, 71
logspace, 44 iloc, 66
matrix, 50 Index, 65
meshgrid, 45 index, 65
mgrid, 45 loc, 66
module, 43 module, 63
ndarray, 44 pivot_table, 73
newaxis, 47, 48 qcut, 71
nonzero, 49 query, 66
ogrid, 45 reset_index, 69
ones, 44 Series, 64
r_, 45 set_index, 69
ravel, 47 sort_index, 69, 71
recarray, 51 sort_values, 71
reshape, 47 value_counts, 71
resize, 47 values, 65

Index 235
Analyse scientifique avec Python, Version Janvier 2021

xs, 69 seaborn
pickle module, 73
module, 40 sel
pivot_table xarray, 74
pandas, 73 Series
print, 15, 26 pandas, 64
property, 34 set
pylab itérables, 12
matplotlib, 55 set_index
pyplot pandas, 69
matplotlib, 55 show
Python Enhancement Proposals matplotlib, 58
PEP 20, 79 slice
PEP 257, 20, 86 itérables, 14
PEP 308, 13 slicing
PEP 3132, 28 numpy, 46
PEP 343, 36 sort_index
PEP 448, 28 pandas, 69, 71
PEP 466, 36 sort_values
PEP 484, 36 pandas, 71
PEP 498, 36 squeeze
PEP 526, 36 numpy, 47
PEP 8, 34, 81 staticmethod, 32
str
Q itérables, 11, 14
qcut subplots
pandas, 71 matplotlib, 56
query sys
pandas, 66 module, 39

R T
r_ transpose
numpy, 45 numpy, 47
raise try ... except
exceptions, 21 exceptions, 21
range, 12 tuple
ravel itérables, 12
numpy, 47 turtle
recarray module, 111
numpy, 51 type, 12
reset_index type numérique
pandas, 69 bool, 11, 13
reshape complex, 11
numpy, 47 float, 11
resize int, 11
numpy, 47
rollaxis U
numpy, 47 ufuncs
numpy, 50
S
save/load V
numpy, 52 value_counts
savefig pandas, 71
matplotlib, 58 values
savetxt/loadtxt pandas, 65
numpy, 52 variable
scipy class, 31
module, 53 variable d'environnement

236 Index
 Analyse scientifique avec Python, Version Janvier 2021

$PATH, 5
vstack
numpy, 48

W
where
numpy, 49
while, 13

X
xarray
DataArray, 74
Dataset, 74
loc, 74
module, 74
sel, 74
xs
pandas, 69

Z
Zen du Python, 79
zeros
numpy, 44

Index 237