1 / 47

Python - Les bases du langage

Python - Les bases du langage. Réunion COMICS 18 novembre 2011. Plan. Présentation de Python Les types et les opérations de base Les structures de contrôle Les fonctions Les fichiers Les classes Les exceptions Les modules Ressources. Présentation de Python.

lori
Download Presentation

Python - Les bases du langage

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Python - Les bases du langage Réunion COMICS 18 novembre 2011

  2. Plan Présentation de Python Les types et les opérations de base Les structures de contrôle Les fonctions Les fichiers Les classes Les exceptions Les modules Ressources

  3. Présentation de Python Développé en 1989 par Guido van Rossum Open source Portable (Windows, linux Mac OS) Orienté objet Dynamique Extensible Support pour l'intégration d'autre langage

  4. Il existe 2 technique pour effectuer la traduction en langage machine mon code source: Interprétation: inconvénient lent!!! Compilation: Rapide, inconvénient compilation Présentation de Python Présentation de Python

  5. Présentation de Python Et Python ??? Avantages: Interpréteur permettant de tester n'importe quel petit bout de code Compilation transparente Inconvénients: Peut être lent

  6. Présentation de Python Les versions de Python Il existe 2 version de Python: 2.7 et 3.1 La version 3.x n'est pas une simple amélioration ou extension de 2.7 Portage pas totalement fini de 3.1 L'Interpréteur 2 choix entre python ou Ipython Quelques options -c: execute la commande python entrée après -i passe en mode intéractif apres avoir exécuté un script ou une commande -d: passe en mode debug

  7. Présentation de Python Que peut-on faire avec Python? Web Django,Zope,Plone,... Bases de données MySQL,PostgrSQL,Oracle,... Gui Gtk+,Qt, Tcl/Tk, WxWidgets Représentation graphique gnuplot,matplotlib,VTK Calcul scientifique numpy, scipy, sage,... …....

  8. Présentation de Python Pourquoi Python pour le calcul Peut être appris en quelques jours Permet de faire des tests rapides Alternative à Matlab, Octave, Scilab Parallélisation Multiplateforme Facilement interfaçable avec des librairies(Fortran, C/C++) de calcul scientifique

  9. Les types et les opérations de base Les types: Entiers(32 bits) Entiers longs Réels (64 bits) Complexe: 3+4j, ou 3+5J Booléens ( True, False)

  10. Les types et les opérations de base Opérations de base Affectation: >>> i=3 # i vaut 3 >>>a, pi=True, 3.14159 >>>k=r=2.15 Affichage dans l'interpréteur >>> i 3 >>> print i 3

  11. Les types et opérations de base Opérations de base Opérateurs +,-,*,/,%,// Puissance **,pow,abs Comparaison: ==, is, !=, is not, >,<,>=,<= Opérateurs bitwise: &,|,<<,>> Opérateurs logique: or,and, not

  12. Aparté En Python tout est objet dir permet d'avoir les objets et méthodes disponibles eval evaluer les chaînes de caractères help permet d avoir une aide type connaître le type de l'objet id l'adresse d'un objet eval evaluer une chaîne de caractère input et raw_input équivalent du scenf en C

  13. Aparté Ecriture d'un script python (test.py) #!/usr/bin/env python # -*- coding: utf-8 -*- a=2 a print type(a),a Exécution python test.py <type,'int'> 2

  14. Les types et les opérations de base Les listes Initialisation [ ],list(),[1, 2,3,4],['point','triangle',6], range(10),range(2,10,2) Concaténation In [18]: sept_zeros=[0]*7;sept_zeros Out[18]: [0, 0, 0, 0, 0, 0, 0] In [20]: L1,L2=[1,2,3],[4,5] In [21]: L1+L2 Out[21]: [1, 2, 3, 4, 5] Une liste est une séquence comme pour une chaîne de caractère

  15. Les types et les opérations de base ATTENTION !!!!! In [22]: L=['Dans','python','tout','est','objet'] In [23]: T=L In [24]: T[4] ='bon' In [25]: T Out[25]: ['Dans', 'python', 'tout', 'est', 'bon'] In [26]: L Out[26]: ['Dans', 'python', 'tout', 'est', 'bon'] In [27]: L=T[:] In [28]: L[4]='objet' In [29]: T;L Out[29]: ['Dans', 'python', 'tout', 'est', 'bon'] Out[29]: ['Dans', 'python', 'tout', 'est', 'objet']

  16. Les types et les opérations de base Une liste à ses propres méthodes help(list) len(L) : taille de la liste L.sort() : trier la liste L.append() ajout element en fin de,liste L.reverse(): inversion de la liste L.index() recher elt dans L L.remove(): retirer element L.pop() ajout en fin de liste

  17. Les types et les opérations de base Les tuples Initialisation: (),tuple(),(1,) 'a','b','c', ('a','b','c') Concaténation >>>(1,2)*3 >>> (1,2,1,2,1,2) In [1]: t1,t2=(1,2,3),(4,5) In [2]: t1+t2 Out[2]: (1, 2, 3, 4, 5) Un tuple est aussi une séquence.

  18. Les types et les opérations de base Opération sur un tuple Un tuple n'est pas modifiable In [3]: t='a','b','c','d' In [4]: t[0]='alpha' TypeError Traceback (most recent call last) TypeError: 'tuple' object does not support item assignment In [6]: t=('alpha',)+t[1:] In [7]: t Out[7]: ('alpha', 'b', 'c', 'd') Mais un objet modifiable dans un tuple peut l'êtret In[8]: t=(1,2,[3,4],6) In[9]:t[2][0]=1;t Out[9]: (1,2,[1,4],6)

  19. Les types ete les opérations de base Les dictionnaires: Initialisation {}, dict(), {'point':1,'ligne':2} Un dictionnaire est constitué de clés et de valeurs Pas de concaténation possible Ajout d une clé ou modif d'une valeur >>> dic['triangle']=3 >>> dic {'ligne': 2, 'triangle': 3, 'point': 1} >>> dic['point']=3 >>> dic {'ligne': 2, 'triangle': 3, 'point': 3}

  20. Les types et ls opérations de base Dictionnaire a ses propres méthodes: len(dic) taille du dictionnaire Dico.keys renvoie les clés Dic.value renvoie les valuers Dic.has_key renvoie True si clé presente Dic.get donne valeur de la clé si elle existe sinon une valeur par défaut

  21. Les structures de contrôle Indentation générale

  22. Structure de contrôle Structure if then Structure while While <test1>: <bloc instruction> if <test1>: break if <test2> : continue Else: <bloc instruction> a=10. if a>0: print ' est positif' if a>=10: print'a est un nombre' else: print ' a est un chiffre' a+=1 elif a is not 0: print 'a est negatif else: print'a est nul'

  23. Structure de contrôle For <cible> in <objet>: <bloc instruction> if <test1>: break if <test2> : continue else: <bloc instruction> sum =0 for i in [1,2,3,4]: sum+=i prod=1 for p in range(1,10): prod*= p s='bonnjour' for c in s: print c

  24. Les fonctions Syntaxe: def <nom_fonction>( arg1,arg2,.....): <bloc instruction> return valeur Exemple: def table(base): N=1 while n<11: print n*base, N+=1 return n

  25. Les fichiers f=open(filename, mode='r', bufsize=-1) 'r' le fichier qui doit déja exister ouvert en lecture 'w' en ecriture seule si il existe déjà il est écrsé et créé sinon 'b' ouvre un fichier binaire Option '+' ouvre en lectuere et écriture 'a' en écriture son contenu est conservé Les méthode:close(),read() et renvoie sous forme de chaîne, readline() lit une ligne du fichier, readlines(), write(s) ecrit la chaine s, writelines(lst)

  26. Les classes Syntaxe: classe <nom_classe>(superclass,....): donnee=valeur def methode(self,....): self.membre=valeur Exemple classe vecteur:

  27. Les classes class vecteur: def __init__(self, x, y, z = 0): self.coords = [x, y, z] def __str__(self): s = '' for c in self.coords: s += '( ' + str(c) + ' )\n' return s def __add__(self, v): return vecteur(self.coords[0] + v.coords[0], self.coords[1] + v.coords[1], self.coords[2] + v.coords[2]) >>> v1 = vecteur(1, 2) >>> v2 = vecteur(4.1, 3.4, 1.) >>> v3 = v1 + v2 >>> print v3 ( 5.1 ) ( 5.4 ) ( 1.0 )

  28. NumPy ▶Le module incontournable ▬ Heritier de Numeric et numarray ▬ Classes de base pour SciPy ▶Installation ▬ Module Python standard ▬ Optimisation plateforme: blas, lapack... ▶Utilisation ▬ Traitement Python des tableaux pour calcul numerique ◆ Nombreuses fonctions de manipulation ◆ Bibliothèque mathématique importante ▬ Support pour vos propres bibliotheques ◆ Interface Python pur ◆ API pour encapsulation de codes Fortran, C/C++

  29. Le tableau NumPy ▶ndarray ▬ L'objet Tableau ◾ Collection indexable et contigue en mémoire d‘éléments de même type ◾ Implémentation avec un vrai tableau en mémoire optimise pour les performances ◾ Manipulation similaire a tout autre objet Python ◾ ▬ Multi-dimensionnel, tous types de données ◾ Les dimensions et parcours sont modifiables, les indexations souples ◾ Optimisations internes pour les 1D, 2D et 3D ◾ ▬ Interfaçable avec les codes, en particulier Fortran ◾ Permet l'encapsulation de codes fortran ◾ Gestion possible des interfacages multiples Fortran/C/C++ Appel au module >>> import numpy

  30. Creation – 1 ▶La création d'un tableau définit... ▬ Son contenu ◾ Par exemple sous forme d'une liste de valeurs a=array([1,3,5,7,9,11,13,17]) ▬ Ses dimensions ◾ Une liste: dimension 1, une liste de listes: dimension 2, une liste de listes de listes: dimension 3... a=array([0.1, 0.0, 0.2]) b=array([[1,2,3],[4,5,6]]) ▬ Son type d'element ◾ Un entier Python est un long, un reel est un double ◾ Il est necessaire de preciser si les valeurs en arguments ne sont pas les types Python a=array([0.1, 0.0, 0.2],dtype='f') b=array([[1,2,3],[4,5,6]],dtype='i')

  31. Creation – 2 ▶Diverses methodes de creation >>> a=arange(10) array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) >>> a=zeros((2,4),dtype='f') array([[ 0., 0., 0., 0.], [ 0., 0., 0., 0.]], dtype=float32) >>> a=ones((3,5))*nan array([[ nan, nan, nan, nan, nan], [ nan, nan, nan, nan, nan], [ nan, nan, nan, nan, nan]]) >>> a=identity(3) array([[ 1., 0., 0.], [ 0., 1., 0.], [ 0., 0., 1.]]) >>> a=mat([[1,0],[0,1]]) matrix([[1, 0], [0, 1]])

  32. Creation – 3 ▬ Fonction des indices >>> def initfunction(i,j): ... return 100+10*i+j >>> c=fromfunction(initfunction,(5,3)) array([[ 100., 101., 102.], [ 110., 111., 112.], [ 120., 121., 122.], [ 130., 131., 132.], [ 140., 141., 142.]]) ▬ A partir d'un fichier >>> import numpy >>> a=numpy.ones((3,5,7)) >>> numpy.save("data.npy",a) >>> b=numpy.load("data.npy")

  33. Attributs – 1 ▶flat ▬ Vue 1D d'un tableau ◆ Pas de modification du tableau ◆ Iterateur >>> a=indices((2,5)) >>> a array([[[0, 0, 0, 0, 0], [1, 1, 1, 1, 1]], [[0, 1, 2, 3, 4], [0, 1, 2, 3, 4]]]) >>> a.flat <numpy.flatiter object at 0xc9db80> >>> a.flat[0] 0 >>> a.flat[:] array([0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 0, 1, 2, 3, 4, 0, 1, 2, 3, 4]) >>>

  34. Attributs – 2 ▶shape ▬ Tuple des dimensions d'un tableau Attribut accessible en lecture et en ecriture >>> a=ones((3,5,7)) >>> a.shape (3,5,7) >>> a.shape=(21,5) >>> shape(a) (21,5) ▬ Le nombre d'elements doit rester inchange len(a.flat) = Constante ▬ La methode reshape permet aussi de changer le shape >>> a=arange(105).reshape((3,5,7))

  35. Attributs – 3 ▶Fortran ▬ Type d'implantation memoire ◆ C (par defaut) line major, Boucle en i,j,k ◆ Fortran column major, Boucle en k,j,i ▬ Pas d'impact sur le shape >>> a=ones((2,3,4),order='Fortran') >>> isfortran(a) True ▶OwnData ▬ Python est proprietaire de la zone memoire >>> a.flags.owndata True

  36. Indexation – 1 ▶Un element dans le tableau ▬ Syntaxe similaire aux sequences >>> a=arange(24).reshape(2,3,4) >>> a[0][2][1] 9 >>> a[0][0:1] array([[0, 1, 2, 3],[4, 5, 6, 7]]) ▬ Syntaxe avec implementation optimisee pour l'acces >>> a[0,2,1] 9 >>> a[0,0:1] array([[0, 1, 2, 3],[4, 5, 6, 7]]) ▬ La syntaxe fonctionne pour la la reference et l'assignation >>> b=a[0:2] >>> a[0:2]=9

  37. Indexation - 2 ▬ Prendre un axe complet >>> a=arange(24).reshape(2,3,2,2) >>> a.tolist() [[[[0, 1], [2, 3]], [[4, 5], [6, 7]], [[8, 9], [10, 11]]], [[[12, 13], [14, 15]], [[16, 17], [18, 19]], [[20, 21], [22, 23]]]] >>> a[0,:,:,0] array([[ 0, 2], [ 4, 6], [ 8, 10]]) >>> a[0,...,0]

  38. Indexation - 3 ▶Ajout du step ▬ [<start>:<stop>:<step>] >>> a=arange(24).reshape(2,6,2) >>> a array([[[ 0, 1], [ 2, 3], [ 4, 5], [ 6, 7], [ 8, 9], [10, 11]], [[12, 13], [14, 15], [16, 17], [18, 19], [20, 21], [22, 23]]]) >>> a[0] array([[ 0, 1], [ 2, 3], [ 4, 5], [ 6, 7], [ 8, 9], [10, 11]]) >>> a[0,::2] array([[0, 1], [4, 5], [8, 9]]) >>> a[0,::2,:1] array([[0], [4], [8]])

  39. Ufuncs - 1 ▶Universal functions ▬ Opere sur un tableau element par element ◾ add(a,b) avec a et b ndarrays est plus performant qu'une boucle ▬ Vectorisable ◾ Une fonction prend des vecteurs en entree et produit un vecteur en sortie ◾ L'utilisateur peut utiliser l'API pour creer ses propres ufuncs ▬ Broadcasting ◾ Il est parfois necessaire de faire des adaptations pour que les vecteurs en entree aient la meme taille ◾ a=array([1,2,3,4,5])*2 ◾ Provoque le broadcasting b=array([2,2,2,2,2]) ▬ Syntaxe compacte ◾ Pas de boucles ◾ Parfois difficile a lire >>> x=arange(10) >>> x[(x**39* x**2+23*x15)== 0] array([1, 3, 5])

  40. Ufuncs – 2 sin() Trigonometric sine, element-wise. cos() Cosine elementwise. tan() Compute tangent element-wise. arcsin() Inverse sine, element-wise. arccos() Trigonometric inverse cosine, element-wise. arctan() Trigonometric inverse tangent, elementwise. add(x1) Add arguments element-wise. subtract(x1) Subtract arguments, element-wise. multiply(x1) Multiply arguments element-wise. divide(x1) Divide arguments element-wise. logaddexp(x1) Logarithm of the sum of exponentiations of the inputs. logaddexp2(x1) Logarithm of the sum of exponentiations of the inputs in base-2. true_divide(x1) Returns a true division of the inputs, element-wise. floor_divide(x1) Return the largest integer smaller or equal to the division of the inputs. negative() Returns an array with the negative of each element of the original array. power(x1) First array elements raised to powers from second array, element-wise. remainder(x1) Return element-wise remainder of division. mod(x1) Return element-wise remainder of division. fmod(x1) Return the element-wise remainder of division. absolute() Calculate the absolute value element-wise. rint() Round elements of the array to the nearest integer. sign() Returns an element-wise indication of the sign of a number. conj() Return the complex conjugate, element-wise. exp() Calculate the exponential of all elements in the input array. exp2() Calculate 2**p for all p in the input array. log() Natural logarithm, element-wise. log2() Base-2 logarithm of x. log10() Return the base 10 logarithm of the input array, element-wise. expm1() Calculate exp(x) - 1 for all elements in the array. log1p() Return the natural logarithm of one plus the input array, element-wise. sqrt() Return the positive square-root of an array, element-wise. square() Return the element-wise square of the input. reciprocal() Return the reciprocal of the argument, element-wise. ones_like() Returns an array of ones ……………………………………………..

  41. F2py f2py nécessite l’installation de Numpy et trois méthodes pour créer une interface sont proposées : • Interfacer des subroutines simples sans écrire de code supplémentaire. • Ajouter des directives pour f2py dans le source Fortran pour un interfaçage plus complexe. • Écrire un fichier d’interface décrivant les subroutines et les données à interfacer. f2py génère automatiquement un fichier d’interface simple qu’on peut ensuite éditer et modifier.

  42. Exemple de subroutine simple • Calcul de la norme. • Fortran 90/95 format libre • subroutine norme (a, b, c) • real(8), intent(in) :: a, b • real(8), intent(out) :: c • c= sqrt (a*a+b*b) • end subroutine norme • Fortran 77 format fixe • subroutine norme (a, b, c) • real*8 a,b,c • Cf2py intent(out) c • c=sqrt (a*a+b*b) • end

  43. Compilation et exécution • • Génération de l’interface Python avec f2py • f2py -c norme.f90 -m vect --fcompiler=gnu95 --f90flags=-O3 • • Appel depuis un shell Python • >>> import vect • >>> vect.norme(3,4) • 5.0 • >>> c = vect.norme(3,4) • >>> c • 5.0 • • Documentation générée automatiquement par f2py • >>> print vect.norme.__doc__ • norme - Function signature : • c = norme(a,b) • Required arguments : • a : input float • b : input float • Return objects : • c : float

  44. Ajout de directive f2py dans le source Fortran • Ces ajouts dans le code source fortran permettent préciser le • rôle et la définition des variables d’entrés-sorties. Sont • utilisés : • • Les attributs du F90 : intent(in), dimension(2,3). • • Les attributs spécifiques : !f2py intent(hide), depend(a). • subroutine norme(a,c,n) • integer :: n • real(8),dimension(n),intent(in) :: a • !f2py optional , depend(a) :: n=len(a) • real(8),intent(out) :: c • real(8) :: sommec • integer :: i • sommec = 0 • do i=1,n • sommec=sommec+a( i )*a( i ) • end do • c=sqrt (sommec) • end subroutine norme

  45. Liste Python ou tableau numpy en argument >>> from vect import * >>> a=[2,3,4] #Une liste Python >>> type(a) <type 'list'> >>> norme(a) 5.3851648071345037 >>> from numpy import * >>> a=arange(2,5) # Un tableau numpy >>> type(a) <type 'numpy.ndarray'> >>> norme(a) 5.3851648071345037 >>> print norme.__doc__ # Documentation norme - Function signature : c = norme(a,[n]) Required arguments : a : input rank-1 array('d') with bounds (n) Optional arguments : n := len(a) input int Return objects : c : float

  46. Utilisation d’un fichier signature • On peut générer automatiquement un fichier signature f2py vecteur.f90 -h vecteur.pyf • Contenu de vecteur.pyf ! -*- f90 -*- ! Note: the context of this file is case sensitive. subroutine norme(a,c,n) ! in norme.f90 real(kind=8) dimension(n),intent(in) :: a real(kind=8) intent(out) :: c integer optional,check(len(a)>=n),depend(a) :: n=len(a) end subroutine norme ! This file was auto-generated with f2py (version:2). ! See http://cens.ioc.ee/projects/f2py2e/

  47. Les tableaux multi dimensionnels subroutine move( positions, vitesses, dt, n) integer, intent(in) :: n real(8), intent(in) :: dt real(8), dimension(n,3), intent(in) :: vitesses real(8), dimension(n,3) :: positions do i = 1, n positions(i,:) = positions(i,:) + dt*vitesses(i,:) end do end subroutine move >>> print vitesses [[0, 1, 2], [0, 3, 2], [0, 1, 3]] >>> print positions [[0, 0, 0], [0, 0, 0], [0, 0, 0]] >>> move(positions, vitesses, 0.1) >>> print positions #le tableau n'est pas mis a jour, stockage C [[0, 0, 0], [0, 0, 0], [0, 0, 0]] >>> positions = numpy.array(positions, dtype='f8', order='F') >>> move(positions, vitesses, 0.1) >>> print positions #le tableau est modifie, stockage Fortran [[ 0. 0.1 0.2] [ 0. 0.3 0.2] [ 0. 0.1 0.3]]

More Related