Python scientifique : NumPy, SciPy et Matplotlib

Aux scientifiques, il manque rarement les maths, plutôt les outils pour en faire du code rapide et reproductible. On apprend à penser en tableaux plutôt qu'en boucles, à trouver la bonne fonction SciPy au lieu de la réécrire, et à produire des figures qu'on peut mettre directement dans un article.

Durée : 3 jours · Niveau : intermédiaire

Pour qui : scientifiques, ingénieurs et chercheurs qui traitent des mesures, des simulations ou des données expérimentales.

Prérequis : connaître les bases de Python, et les maths de votre domaine.

Scientific Python: NumPy, SciPy and Matplotlib

Jour 1 — Penser en tableaux

  • Jupyter comme cahier de laboratoire
  • Les tableaux NumPy : forme, dtype et mémoire
  • Indexation, slicing et masques booléens
  • La vectorisation : adieu les boucles
  • Le broadcasting : les règles qui surprennent tout le monde
  • Fonctions universelles et agrégations
  • Vues VS copies : ne pas se laisser surprendre par la mutabilité
  • Nombres aléatoires et reproductibilité
  • Algèbre linéaire avec numpy.linalg

Jour 2 — La boîte à outils SciPy

  • Statistiques et tests avec scipy.stats
  • Ajuster des modèles avec scipy.optimize
  • Interpoler avec scipy.interpolate
  • Filtrage et spectres avec scipy.signal
  • Intégrer et résoudre des équations différentielles
  • Les matrices creuses
  • Unités et constantes physiques
  • Choisir entre l'écrire et le trouver

Jour 3 — Grosses données, belles figures

  • Matplotlib : figures, axes et l'API objet
  • Des figures prêtes à publier : styles, tailles, polices
  • Figures multi-panneaux et cartes de couleurs
  • Données trop grosses pour la mémoire : les memory maps
  • Lire des fichiers netCDF et HDF5
  • Appeler du code C et Fortran depuis Python
  • Profiler et accélérer avec numba
  • Reproductibilité : uv, versions figées, du notebook au script

Passez au niveau supérieur en Python !