10 exercices corrigés en NumPy pour débutants : pratique, solutions et explications pour booster ta confiance

Bienvenue sur CoinDuDev, ton coin préféré pour coder sans prise de tête ! Si tu débarques ici, c’est probablement parce que tu veux t’améliorer en Python, plus précisément en NumPy, cette bibliothèque magique qui fait des merveilles pour les calculs et les données.

Mais comme souvent, la théorie c’est bien, la pratique c’est mieux ! Alors aujourd’hui, je te propose 10 exercices corrigés en NumPy spécialement pensés pour les débutants comme toi. Pas de panique, on va y aller doucement, avec des explications claires, des solutions détaillées et une pincée d’humour pour rendre tout ça sympa.

Pourquoi faire des exercices corrigés en NumPy ?

Avant de plonger dans le vif du sujet, laisse-moi te dire pourquoi ces exercices corrigés en NumPy sont essentiels. NumPy est la base de la data science, du machine learning, et même de plein d’autres domaines en programmation scientifique. Maîtriser cette bibliothèque, c’est comme avoir un super pouvoir.

Les exercices corrigés vont te permettre de :

• Comprendre les bases de NumPy.
• Apprendre à manipuler les tableaux (arrays).
• Découvrir les fonctions importantes.
• Gagner en confiance pour attaquer des projets plus complexes.

Comment utiliser ces exercices corrigés en NumPy ?

Je te conseille de lire l’énoncé de chaque exercice, de tenter de le résoudre par toi-même, puis de comparer avec la solution. N’hésite pas à modifier le code, à expérimenter, c’est comme ça qu’on apprend vraiment !

Exercice 1 : Créer un tableau NumPy à partir d’une liste Python

Énoncé : Crée un tableau NumPy à partir de la liste [1, 2, 3, 4, 5].

Solution :

import numpy as np

liste = [1, 2, 3, 4, 5]
tableau = np.array(liste)
print(tableau)

Explication :
Ici, on importe d’abord NumPy avec l’alias np (standard pour ne pas se casser la tête). Ensuite, on utilise la fonction np.array() qui transforme une liste Python classique en un tableau NumPy. C’est la base pour tout faire ensuite !

Exercice 2 : Créer un tableau NumPy de zéros

Énoncé : Crée un tableau NumPy rempli de zéros, de taille 3×3.

Solution :

tableau_zeros = np.zeros((3, 3))
print(tableau_zeros)

Explication :
La fonction np.zeros() crée un tableau rempli uniquement de zéros. On passe en paramètre un tuple qui définit la forme (3 lignes, 3 colonnes). C’est super utile pour initialiser des matrices avant de faire des calculs.

Exercice 3 : Accéder aux éléments d’un tableau

Énoncé : Crée un tableau [10, 20, 30, 40, 50] et affiche le troisième élément.

Solution :

tableau = np.array([10, 20, 30, 40, 50])
print(tableau[2])

Explication :
Rappel important : les indices commencent à 0 en Python ! Donc le troisième élément est à l’indice 2. Si tu as pensé “3 c’est 3”, je te rassure, tu n’es pas seul 😉

Exercice 4 : Créer un tableau NumPy avec des nombres aléatoires

Énoncé : Crée un tableau 2×4 avec des nombres flottants aléatoires entre 0 et 1.

Solution :

tableau_alea = np.random.rand(2, 4)
print(tableau_alea)

Explication :
La fonction np.random.rand() génère des nombres aléatoires suivant une distribution uniforme entre 0 et 1. On lui donne la forme désirée (2 lignes, 4 colonnes).

Exercice 5 : Additionner deux tableaux

Énoncé : Crée deux tableaux [1, 2, 3] et [4, 5, 6], puis calcule leur somme élément par élément.

Solution :

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
somme = a + b
print(somme)

Explication :
NumPy permet de faire de l’addition élément par élément très facilement. Pas besoin de boucle, juste le symbole + entre deux tableaux de même taille.

Exercice 6 : Trouver la moyenne d’un tableau

Énoncé : Calcule la moyenne des éléments du tableau [10, 20, 30, 40, 50].

Solution :

tableau = np.array([10, 20, 30, 40, 50])
moyenne = np.mean(tableau)
print(moyenne)

Explication :
np.mean() calcule la moyenne (ou moyenne arithmétique) des éléments d’un tableau. Hyper pratique pour résumer des données !

Exercice 7 : Reshaper un tableau

Énoncé : Transforme un tableau [1, 2, 3, 4, 5, 6] en un tableau 2×3.

Solution :

tableau = np.array([1, 2, 3, 4, 5, 6])
tableau_reshaped = tableau.reshape(2, 3)
print(tableau_reshaped)

Explication :
La méthode .reshape() permet de modifier la forme d’un tableau sans changer ses données. Très utile pour organiser les données sous une autre forme.

Exercice 8 : Extraire une sous-partie d’un tableau (slicing)

Énoncé : À partir du tableau [10, 20, 30, 40, 50], extrais les éléments du 2e au 4e.

Solution :

tableau = np.array([10, 20, 30, 40, 50])
sous_partie = tableau[1:4]
print(sous_partie)

Explication :
Le slicing en Python inclut le début (indice 1 ici) mais exclut la fin (indice 4). Donc on obtient les éléments 20, 30, 40.

Exercice 9 : Multiplier un tableau par un scalaire

Énoncé : Multiplie tous les éléments du tableau [1, 2, 3, 4] par 5.

Solution :

tableau = np.array([1, 2, 3, 4])
resultat = tableau * 5
print(resultat)

Explication :
NumPy applique automatiquement la multiplication sur chaque élément du tableau. Pas besoin de boucle, la puissance du broadcasting à l’œuvre !

Exercice 10 : Trouver l’élément maximum et sa position

Énoncé : Dans le tableau [5, 3, 8, 1, 9], trouve la valeur maximale et son indice.

Solution :

tableau = np.array([5, 3, 8, 1, 9])
max_val = np.max(tableau)
max_index = np.argmax(tableau)
print(f"Valeur max : {max_val}, Position : {max_index}")

Explication :
np.max() trouve la valeur la plus grande, tandis que np.argmax() renvoie l’indice de cette valeur. Ultra utile pour analyser des données.

Conclusion

Bravo, tu viens de parcourir 10 exercices corrigés en NumPy qui vont te permettre de mieux comprendre cette bibliothèque puissante. La pratique est la clé, alors continue à tester, modifier et créer tes propres exercices !

Si tu as aimé cet article, partage-le sur tes réseaux, laisse un commentaire ou pose tes questions. Sur CoinDuDev, on apprend ensemble, et on rigole un peu aussi !