TOUT SUR LES TABLEAUX GRAPHIQUE

A=array([[1,2,3],[4,5,6]]) #tableau à 2dim

plt.figure (1) ##changer de numéro pour afficher sur un autre graphique
A[0,1] #renvoie 2
plt.semilogy(y, label="légende")
#tableau de 100 valeurs répartie de 0 à 2
plt.plot(X[:,0],X[:,1],label='X0=('+str(np.floor((0.9+0.01*k)*
x=np.linspace(0,2, 100) 100)/100)+'')
y=np.cos(x) #tableau de cosinus des éléments de x plt.title('I en fonction de S pour RK4 et dt='+str(dt))
A[ :i, :j] #toutes les lignes jusqu’à i (non inclus) et toutes les plt.xlabel('S')
colonnes jusqu’à j (non inclus) plt.ylabel('I')
A[ :,j]#toute la colonne j plt.grid()
for i in reversed(liste) #parcours à l’envers d’une liste plt.legend(loc="best") #ou upper right plt.show()
np.arange(a,b,h) #création d'un vecteur allant de a tracer une tangente :
(inclus) à b (exclus) avec un pas de h
verticale : plt.axvline(x=…,color='r',linestyle='--')
x=np.array([1,2,3]) création d'un vecteur
horizontale : plt.axhline(y=…)
A=np.array([[1,2,3],[4,5,6]]) création d'une matrice
(ici 2 lignes et 3 colonnes)

A.T ou np.transpose(A) transposée de A import numpy.linalg as npl

np.shape(A) liste des dimensions de A (ici :(2,3)) d=npl.det(A) d=déterminant de A
np.size(A,0) nombre de lignes de A (ici 2) valp,vecp=npl.eig(A) valp et vecp sont respectivement les valeurs et
vecteurs propres de A
np.size(A,1) nombre de colonnes de A (ici 3)
np.size(A) nombres d'éléments au total (attention, ici c'est 6 valp=npl.eigvals(A) valp contient seulement les valeurs propres de A
et non (2,3)) n=npl.norm(A,p) n=norme p de A
np.zeros(n) vecteur nul contenant n fois 0. c=npl.cond(A,p) c=conditionnement de la matrice A selon la norme p
np.zeros((n,p)) matrice de 0. avec n lignes et p colonnes x=npl.solve(A,b) x=solution du système linéaire Ax=b
np.ones(n) vecteur contenant n fois 1. np.linalg.inv(A) inverse la matrice
np.ones((n,p)) matrice de 1. avec n lignes et p colonnes
np.eye(n) matrice identité de taille n
np.diag(A) renvoi la diagonale de la matrice A
%matpolib inline
np.diag(A,p) renvoi la pième diagonale de la matrice A. Par
exemple np.diag(A,1) renvoie la import matplotlib.pyplot as plt
surdiagonale de A tandis de np.diag(A,0)=np.diag(A) import numpy as np
renvoi la diagonale np.diag(x) crée une matrice dont x est la import numpy.linalg as npl
diagonale
np.diag(x,p) crée une matrice dont x est la pième diagonale
np.amax(vect) donne le max
np.amin(vect) donne le min
np.dot(A,x) produit de A et x. Attention, numpy agissant de
façon vectorielle, A*x est le
produit composante par composante et non le produit
"mathématique" entre deux matrices ou vecteurs
np.dot(x,y)=np.inner(x,y) produit scalaire entre x et y
(renvoi le scalaire xty)
B=plt.copy(A) interdit de faire A=B peut faire des pb
avec les adresses
a = np.array([[1, 2], [3, 4]]) et b = np.array([[5, 6]])
np.concatenate((a, b), axis=0) concatène la
matrice et le vecteur selon les lignes) => array([[1, 2], [3, 4], [5,
6]])
np.concatenate((a,b), axis=1)  array([[1, 2, 5],
[3, 4, 6]])
np.reshape(A,(n,p)) redimenssionne A avec n lignes et
p colonnes (n×p doit correspondre au nombre d'éléments de A)
np.tile(A,(n,p)) répète A n fois en lignes et p fois en
colonnes