Chapitre 6

Visualiser avec Matplotlib

La visualisation de données est une étape essentielle dans l’analyse et la compréhension des
phénomènes. En Python, la bibliothèque matplotlib permet de créer des graphiques variés :
courbes, histogrammes, nuages de points, etc. Ce chapitre présente quelques exemples simples
de visualisations à l’aide de listes Python. L’objectif est de permettre au lecteur de produire des
graphiques clairs et informatifs.

Installation d’une librairie Python

Pour installer NumPy et Matplotlib dans un environnement isolé, commencez par activer le
module venv avec la commande suivante :

1 sudo apt install python3.12-venv

Créez ensuite un environnement virtuel :

1 python3 -m venv venv

Activez-le :

1 source venv/bin/activate

Enfin, installez NumPy et Matplotlib avec :

1 pip install numpy matplotlib

Cela permet de gérer proprement vos dépendances sans affecter les autres projets Python.

1 Tracer une courbe simple

Le module pyplot de matplotlib fournit des fonctions pour visualiser des données.

Code 97 – Tracé simple d’une courbe

Ce code 97 trace la courbe reliant les paires de points formées à partir des listes x et y. La fonc-
tion [Link]() nécessite au moins un argument obligatoire. On peut rendre notre visualisation
plus compréhensible en ajoutant plus de détails.
Visualiser avec Matplotlib Superposer plusieurs courbes

Code 98 – Tracé de la courbe d’une fonction et ajout d’informations

Ce code 98 trace la courbe reliant les paires de points formées à partir des listes x et y, avec des
axes et une grille pour améliorer la lisibilité.

2 Superposer plusieurs courbes

On peut afficher plusieurs courbes dans un même graphique en utilisant autant de quoi que
c’est nécessaire [Link]().

Code 99 – Courbes superposées : carrés et cubes

3 Tracer un histogramme
Les histogrammes servent à visualiser la répartition des valeurs.

51
 Tracer un nuage de points Visualiser avec Matplotlib

Code 100 – Histogramme de la répartition des notes

Ici, bins=5 divise l’intervalle des notes en cinq classes.

Changer la couleur de l’histogramme.

4 Tracer un nuage de points

Un nuage de points permet de visualiser des données dispersées.

Code 101 – Nuage de points

Ce code 101 affiche les paires de points formées à partir des listes x et y.

5 Exercices
1. Représenter graphiquement la fonction f (x) = 3x + 2 pour x ∈ [0, 10]. Ajouter un titre, les
noms des axes et une grille.
2. Tracer sur le même graphique les courbes de y = x, y = x 2 et y = x 3 pour x allant de −5 à 5.
Utiliser une légende pour les distinguer.
3. Un élève a reçu les notes suivantes durant l’année : 12, 14, 15, 13, 16, 18, 14, 15, 17, 16.
Représenter la répartition de ces notes avec un histogramme en 5 classes.
4. Tracer un nuage de points représentant les distances (en km) et durées (en minutes) de 6
trajets : distances = [2, 5, 7, 3, 10, 4] et durees = [5, 12, 15, 7, 22, 9].
5. Simuler la croissance d’une plante sur 7 jours : jours = [1, 2, 3, 4, 5, 6, 7], hauteurs
= [3, 4.5, 6, 7, 9, 10, 12]. Tracer la courbe de croissance et ajouter des éléments de
style (couleur, marqueur).
6. Tracer la courbe représentant f (x) = |x| pour x ∈ [−5, 5]. Utiliser une boucle pour construire
la liste y.

52
Visualiser avec Matplotlib Exercices

7. Créer un histogramme représentant le nombre de livres lus par mois par un élève sur 12
mois : [2, 1, 3, 4, 2, 0, 5, 3, 2, 1, 4, 3].
8. Tracer une fonction définie par morceaux :
(
x2 si x < 0
f (x) =
x + 1 si x ≥ 0

pour x ∈ [−5, 5].

9. Observer ce code et corriger l’erreur s’il y en a :

Code 102 – Code à corriger

Ce chapitre a montré comment créer des graphiques simples à l’aide de matplotlib, en se ba-
sant uniquement sur des listes Python. Que ce soit pour représenter une fonction, comparer des
courbes ou explorer la distribution de données, ces outils permettent une meilleure compréhen-
sion visuelle des informations.
 Chapitre 7

Du calcul scientifique avec NumPy

NumPy (Numerical Python) est l’une des bibliothèques les plus fondamentales pour le calcul
scientifique en Python. Elle fournit un support pour les tableaux multidimensionnels et les ma-
trices, ainsi qu’une vaste collection de fonctions mathématiques de haut niveau pour opérer sur
ces structures de données. Dans ce chapitre, nous allons explorer les bases de NumPy.

1 Création des tableaux

Le type de données fondamental dans NumPy est le ndarray (N-dimensional array), qui re-
présente un tableau multidimensionnel d’éléments de même type.
Exécutez ce code.

Code 103 – Création de tableaux

Ce code 103 illustre la création de tableaux NumPy à partir de listes Python. Le tableau u est
un vecteur à une dimension, tandis que v est une matrice à une ligne et w est une matrice à trois
lignes deux colonnes.
Créer et afficher les matrices suivantes :
   
    2 0 0 0 1
10 0 0 1 2 2 0   ¡ ¢  
0 2 0 0  −1
A = −1 −1 2 3 B = 0 2 2 C =  v 1 = 1 −1 1 2 v2 =  
0 0 2 0  1
0 9 0 0 2 0 2
0 0 0 2 2
On peut aussi créer des tableaux à partir des tableaux prédéfinis par NumPy.
Que fait ce code ?

Code 104 – Création de tableaux

Du calcul scientifique avec NumPy Opérations sur les tableaux

2 Opérations sur les tableaux

On peut aussi créer un tableau NumPy en faisant des opérations arithmétiques ou en évaluant
l’image d’un tableau par une fonction mathématique.

Code 105 – Opération arithmétique sur les tableaux

Notez que le code 105 effectue des opérations élément par élément (ou vectorisées) entre les
tableaux NumPy. Chaque opération est appliquée indépendamment à chaque paire d’éléments
situés à la même position dans les tableaux a et b.
Que fait ce code ?

Code 106 – Opérations d’algèbre linéaire

3 Indexation et découpage
L’accès aux éléments d’un tableau NumPy est similaire à celui des listes Python, mais avec des
fonctionnalités avancées :

55
 Fonctions utiles Du calcul scientifique avec NumPy

Code 107 – Indexation et découpage

4 Fonctions utiles
NumPy offre une panoplie de fonctions permettant de résumer ou transformer rapidement
des tableaux.
4.1 Statistiques de base
Que fait ce code ?

Code 108 – Statistiques de base

Chaque fonction renvoie une statistique appliquée à l’ensemble du tableau. Quelles sont les
plus sensibles aux valeurs extrêmes ?
Que fait ce code ?

Code 109 – Agrégation selon les axes

Le paramètre axis contrôle la direction de l’agrégation : 0 pour les colonnes, 1 pour les lignes.
Pouvez-vous visualiser cela sur un papier ?

56
Du calcul scientifique avec NumPy Fonctions mathématiques (ufuncs)

4.2 Fonctions mathématiques (ufuncs)

Voici quelques opérations élément par élément. Essayez de déduire la transformation appli-
quée à chaque valeur.

Code 110 – Fonctions mathématiques (ufuncs)

Toutes ces fonctions s’appliquent élément par élément, sans qu’il soit nécessaire d’écrire une
boucle explicite. Pour ce type d’opérations, il est fortement recommandé d’utiliser les tableaux
NumPy, car ils sont à la fois plus concis et beaucoup plus rapides que les boucles classiques en
Python.
4.3 Tri et valeurs uniques
Ces fonctions permettent de réorganiser ou filtrer les valeurs. Pouvez-vous deviner l’effet de
chacune avant d’exécuter ?

Code 111 – Tri et valeurs uniques

5 Exercices
1. Créez un tableau NumPy contenant les entiers pairs de 0 à 20. Calculez la somme, la moyenne,
l’écart-type et la variance de ce tableau.
2. Écrivez une fonction carre_tableau(tab) qui prend un tableau NumPy en argument et
retourne un nouveau tableau contenant le carré de chaque élément. Testez-la sur un ta-
bleau de votre choix.
3. Créez une matrice 4 × 4 remplie aléatoirement, puis affichez :
— la somme de chaque ligne,
— la moyenne de chaque colonne.
4. Implémentez une fonction produit_scalaire(u, v) qui calcule le produit scalaire de
deux vecteurs NumPy. Vérifiez son fonctionnement avec les vecteurs u = [1, 2, 3] et
v = [-1, 0, 1].
5. Créez une matrice identité de taille 5 × 5 et ajoutez-y une matrice aléatoire de même taille.
Calculez la matrice inverse du résultat (si elle existe).

57
 Exercices Du calcul scientifique avec NumPy

6. Créez une matrice 3 × 3 contenant des entiers au hasard entre 0 et 9. Triez les valeurs de
chaque ligne dans l’ordre croissant.
7. Créez une fonction filtre_positifs(A) qui retourne un tableau contenant uniquement
les éléments strictement positifs d’un tableau NumPy A (utilisez les masques booléens).
8. Générer un vecteur x de 100 valeurs uniformément espacées entre −2π et 2π. Calculez et
tracez les valeurs de sin(x) et cos(x). (Optionnel : utiliser matplotlib)
9. Créez une fonction normalize(X) qui prend un tableau NumPy 2D et retourne le tableau
dont chaque colonne a une moyenne nulle et un écart-type égal à 1.
10. Écrivez une fonction solve_system(A, b) qui résout un système linéaire Ax = b pour une
matrice A donnée et un vecteur b. Générez un exemple test et affichez la solution.

Dans ce chapitre, nous avons découvert les principales fonctionnalités de la bibliothèque NumPy,
outil incontournable pour toute personne s’intéressant au calcul scientifique avec Python. Nous
avons appris à :
— Créer et manipuler des tableaux multidimensionnels (ndarray),
— Appliquer des opérations arithmétiques et vectorisées sur les tableaux,
— Utiliser des fonctions mathématiques et statistiques intégrées,
— Effectuer des opérations d’algèbre linéaire,
— Accéder et filtrer efficacement les données dans un tableau.
Ces compétences constituent la base de tout travail en science des données, en apprentissage
automatique ou en modélisation numérique. La compréhension et la maîtrise de NumPy vous
permettront de tirer parti des performances de calcul offertes par Python, tout en écrivant un code
concis, lisible et efficace.