Personnaliser les préférences

Nous utilisons des cookies pour vous aider à naviguer efficacement et à exécuter certaines fonctions. Vous trouverez ci-dessous des informations détaillées sur tous les cookies sous chaque catégorie de consentement.

Les cookies classés comme « Nécessaires » sont stockés sur votre navigateur car ils sont essentiels pour activer les fonctionnalités de base du site.... 

Toujours actif

Necessary cookies are required to enable the basic features of this site, such as providing secure log-in or adjusting your consent preferences. These cookies do not store any personally identifiable data.

Aucun cookie à afficher.

Functional cookies help perform certain functionalities like sharing the content of the website on social media platforms, collecting feedback, and other third-party features.

Aucun cookie à afficher.

Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics such as the number of visitors, bounce rate, traffic source, etc.

Aucun cookie à afficher.

Performance cookies are used to understand and analyze the key performance indexes of the website which helps in delivering a better user experience for the visitors.

Aucun cookie à afficher.

Advertisement cookies are used to provide visitors with customized advertisements based on the pages you visited previously and to analyze the effectiveness of the ad campaigns.

Aucun cookie à afficher.

Comment mapper une fonction sur un tableau NumPy (avec exemples)



Vous pouvez utiliser la syntaxe de base suivante pour mapper une fonction sur un tableau NumPy :

#define function
my_function = lambda x: x*5

#map function to every element in NumPy array
my_function(my_array)

Les exemples suivants montrent comment utiliser cette syntaxe dans la pratique.

Exemple 1 : fonction de mappage sur un tableau NumPy à une dimension

Le code suivant montre comment mapper une fonction à un tableau NumPy qui multiplie chaque valeur par 2 puis ajoute 5 :

import numpy as np

#create NumPy array
data = np.array([1, 3, 4, 4, 7, 8, 13, 15])

#define function
my_function = lambda x: x*2+5

#apply function to NumPy array
my_function(data)

array([ 7, 11, 13, 13, 19, 21, 31, 35])

Voici comment chaque valeur du nouveau tableau a été calculée :

  • Première valeur : 1*2+5 = 7
  • Deuxième valeur : 3*2+5 = 11
  • Troisième valeur : 4*2+5 = 13

Et ainsi de suite.

Exemple 2 : fonction de mappage sur un tableau NumPy multidimensionnel

Le code suivant montre comment mapper une fonction à un tableau NumPy multidimensionnel qui multiplie chaque valeur par 2, puis ajoute 5 :

import numpy as np

#create NumPy array
data = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])

#view NumPy array
print(data)

[[1 2 3 4]
 [5 6 7 8]]

#define function
my_function = lambda x: x*2+5

#apply function to NumPy array
my_function(data)

array([[ 7,  9, 11, 13],
       [15, 17, 19, 21]])

Notez que cette syntaxe fonctionne aussi bien avec un tableau multidimensionnel qu’avec un tableau unidimensionnel.

Ressources additionnelles

Les didacticiels suivants expliquent comment effectuer d’autres opérations courantes dans NumPy :

Comment ajouter une colonne à un tableau NumPy
Comment convertir un tableau NumPy en liste en Python
Comment exporter un tableau NumPy vers un fichier CSV

Ajouter un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *