Réponses des exercices numpy

Création de tableaux

Exercices : créer les tableaux suivants de la manière la plus simple possible (pas élément par élement)

[[ 1.  1.  1.  1.]
 [ 1.  1.  1.  1.]
 [ 1.  1.  1.  2.]
 [ 1.  6.  1.  1.]]

[[0 0 0 0 0]
 [2 0 0 0 0]
 [0 3 0 0 0]
 [0 0 4 0 0]
 [0 0 0 5 0]
 [0 0 0 0 6]]

Voilà les réponses !

Réponses

>>> a = np.ones((4,4))
>>> a[3,1] = 6
>>> a[2,3] = 2
>>> a
array([[ 1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  2.],
       [ 1.,  6.,  1.,  1.]])
>>> b = np.diag(np.arange(1,7))
>>> b = b[:,1:]
>>> b
array([[0, 0, 0, 0, 0],
       [2, 0, 0, 0, 0],
       [0, 3, 0, 0, 0],
       [0, 0, 4, 0, 0],
       [0, 0, 0, 5, 0],
       [0, 0, 0, 0, 6]])

Statistiques du pourcentage de femmes dans la recherche française

1. Récupérer les fichiers organismes.txt et pourcentage_femmes.txt (clé USB).
2. Créer un tableau data en ouvrant le fichier pourcentage_femmes.txt avec np.loadtxt. Quelle est la taille de ce tableau ?

>>> data = np.loadtxt('pourcentage_femmes.txt')
>>> data.shape
(21, 6)

3. Les colonnes correspondent aux années 2006 à 2001. Créer un tableau annees (sans accent !) contenant les entiers correspondant à ces années.

>>> annees = np.arange(2006, 2000, -1)
>>> annees
array([2006, 2005, 2004, 2003, 2002, 2001])

4. Les différentes lignes correspondent à différents organismes de recherche dont les noms sont stockés dans le fichier organismes.txt. Créer un tableau organisms en ouvrant ce fichier. Attention : comme np.loadtxt crée par défaut des tableaux de flottants, il faut lui préciser qu’on veut créer un tableau de strings : organisms = np.loadtxt('organismes.txt', dtype=str)

>>> organisms = np.loadtxt('organismes.txt', dtype=str)
>>> organisms
array(['ADEME', 'BRGM', 'CEA', 'CEMAGREF', 'CIRAD', 'CNES', 'CNRS', 'CSTB',
       'IFREMER', 'INED', 'INERIS', 'INRA', 'INRETS', 'INRIA', 'INSERM',
       'IRD', 'IRSN', 'LCPC', 'ONERA', 'Pasteur', 'Universites'],
      dtype='|S11')

5. Vérifier que le nombre de lignes de data est égal au nombre d’organismes.

>>> data.shape[0] == organisms.shape[0]
True

6. Quel est le pourcentage maximal de femmes dans tous les organismes, toutes années confondues ?

>>> data.max() # max sur tout le tableau
56.299999999999997

7. Créer un tableau contenant la moyenne temporelle du pourcentage de femmes pour chaque organisme (i.e., faire la moyenne de data suivant l’axe No 1).

>>> mn = data.mean(axis=1)
>>> mn
array([ 37.8       ,  23.16666667,  25.15      ,  24.51666667,
        24.38333333,  25.46666667,  30.88333333,  23.36666667,
        25.08333333,  52.53333333,  29.33333333,  37.58333333,
        31.86666667,  18.21666667,  50.16666667,  23.23333333,
        33.45      ,  15.18333333,  14.35      ,  49.86666667,  33.41666667])

8. Quel organisme avait le pourcentage de femmes le plus élevé en 2004 ? (Indice np.argmax).

>>> np.nonzero(annees==2004)
(array([2]),)
>>> np.argmax(data[:,2])
9
>>> organisms[9]
'INED'

9. Un peu plus compliqué : créez un tableau contenant l’organisme avec le pourcentage de femmes le plus élévé de chaque année.

>>> indices = np.argmax(data, axis=0)
>>> indices
array([ 9,  9,  9,  9,  9, 19])
>>> organisms[indices]
array(['INED', 'INED', 'INED', 'INED', 'INED', 'Pasteur'],
      dtype='|S11')

10. Représenter un histogramme du pourcentage de femmes dans les différents organismes en 2006 (indice : np.histogram, puis bar ou plot de matplotlib pour la visualisation).

>>> np.nonzero(annees==2006)
(array([0]),)
>>> hi = np.histogram(data[:,0])

In [88]: bar(hi[1][:-1], hi[0])

Suite de l’exercice

1. 1. Créer un tableau sup30 de même taille que data valant 1 si la valeur de data est supérieure à 30%, et 0 sinon.

>>> sup30 = data>30

2. Un peu plus compliqué : créez un tableau contenant l’organisme avec le pourcentage de femmes le plus élévé de chaque année.

>>> indices = np.argmax(data, axis=0)
>>> indices
array([ 9,  9,  9,  9,  9, 19])
>>> organisms[indices]
array(['INED', 'INED', 'INED', 'INED', 'INED', 'Pasteur'],
      dtype='|S11')