http://quentinpigne.github.io/tags/python/index.htmlHugofr-FRhttp://quentinpigne.github.io/developpement/backend/python/basics/index.htmlMon, 01 Jan 0001 00:00:00 +0000http://quentinpigne.github.io/developpement/backend/python/basics/index.htmlVariables Types Integer 1234 Float 3.14 String 'string' ou "string" Boolean True et False En Python, le type null est None. Méthodes utiles pour convertir les types int() : conversion en Integer float() : conversion en Float str() : conversion en String Info La fonction type() permet de connaître le type d’une variable. Note Afin de mieux documenter le code, il est possible d’annoter les fonctions des types de paramètres et de retour.http://quentinpigne.github.io/developpement/backend/python/data-science/numpy/index.htmlMon, 01 Jan 0001 00:00:00 +0000http://quentinpigne.github.io/developpement/backend/python/data-science/numpy/index.htmlIntroduction import numpy as np Tableaux multidimensionnels Introduction aux tableaux multidimensionnels La fonctionnalité de base de NumPy est ndarray, qui représente un tableau multidimensionnel. Pour en déclarer un, il suffit de créer une liste Python et d’utiliser le constructeur np.array. np.array([1, 2, 3, 4, 5, 6, 7, 8]) # Pour créer plusieurs dimensions, il suffit de créer des listes de listes np.array([[1, 2, 3, 4], [5, 6, 7, 8]]) # La manière dont les lignes sont arrangées donne la dimension du tableau np.array([[1, 2], [3, 4], [5, 6], [7, 8]]) # Voici maintenant un tableau à trois dimensions np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]]) On dispose d’une fonctionnalité permettant de produire des nombres à la manière du générateur range de Python ([min], max, [step]) :http://quentinpigne.github.io/developpement/backend/python/data-science/matplotlib/index.htmlMon, 01 Jan 0001 00:00:00 +0000http://quentinpigne.github.io/developpement/backend/python/data-science/matplotlib/index.htmlL’objectif de cet article est de vous faire découvrir, au travers d’exemples, quelques’unes des possibilités du module matplotlib. Avant de commencer, il est important de comprendre que matplotlib offre 2 interfaces distinctes : pylab est une interface similaire à celle de matlab et existe essentiellement pour des raisons historiques. pyplot est l’interface officielle que je vous recommande d’utiliser. Tout au long de cet article, on supposera donc que les commandes suivantes ont été exécutées dans chaque session interactive (ou bien se trouvent au début de chaque script)http://quentinpigne.github.io/developpement/backend/python/poo/index.htmlMon, 01 Jan 0001 00:00:00 +0000http://quentinpigne.github.io/developpement/backend/python/poo/index.htmlClasses Création et instanciation d’une classe Un classe se crée à l’aide du mot clé class puis s’instancie en utilisant directement son nom. class MaClasse: ... object = MaClasse() Variables d’instance et constructeur Contrairement à d’autres langages, en Python, les attributs n’ont pas besoin d’être déclarés en avance. Ils peuvent simplement être définis au niveau du constructeur, lui-même définit avec la méthode __init__. class MaClasse: def __init__(self, var1, var2 = "value2") self.var1 = var1 self.var2 = var2 object = MaClasse(var1 = "value1") Méthodes d’instance Les méthodes d’instance se définissent au sein de la classe comme des méthodes classiques et suivent les même conventions.http://quentinpigne.github.io/developpement/backend/python/data-science/scipy/index.htmlMon, 01 Jan 0001 00:00:00 +0000http://quentinpigne.github.io/developpement/backend/python/data-science/scipy/index.htmlPrésentation de SciPy Différences entre NumPy et SciPy NumPy est une bibliothèque qui implémente, entre autres, les fonctionnalités présentées dans l’article précédent. Historiquement, elle est la bibliothèque de référence pour ce genre de problématiques. Elle a pour vocation à rester dans ce domaine précis et elle assure une compatibilité ascendante pour permettre à ses utilisateurs une certaine stabilité. Le coeur du module NumPy est le tableau multidimensionnel et les fonctionnalités basiques qui lui sont liées, telles que l’indexation, le tri, ou encore le modelage des données, par exemple. Cependant, elle contient aussi les composants d’algèbre linéaire qui devraient plutôt appartenir à SciPy. Pour faire simple, toutes les nouvelles fonctionnalités se retrouvent dans SciPy, alors que les fonctionnalités stables et qui ont vocation à l’être sont dans NumPy.