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