Correction du TP numpy (#419)

* clean file

* Remove contextily

content/manipulation/01_numpy.qmd

@@ -18,6 +18,7 @@ description: |
   Il est donc indispensable de revoir quelques notions sur ce package avant
   d'aller plus loin.
 image: scatter_numpy.png
+echo: false
 ---
 
 
@@ -45,17 +46,19 @@ la [cheatsheet numpy](https://www.datacamp.com/community/blog/python-numpy-cheat
 sur une fonction. 
 
 Dans ce chapitre, on ne dérogera pas à la convention qui s'est imposée
-d'importer `numpy` de la
+d'importer `Numpy` de la
 manière suivante :
 
 ```{python import np}
+#| echo: true
 import numpy as np
 ```
 
 Nous allons également fixer la racine du générateur aléatoire de nombres
 afin d'avoir des résultats reproductibles :
 
 ```{python}
+#| echo: true
 np.random.seed(12345)
 ```
 
@@ -132,12 +135,14 @@ On peut créer un `array` de plusieurs manières. Pour créer un `array` à part
 il suffit d'utiliser la méthode `array`:
 
 ```{python}
+#| echo: true
 np.array([1,2,5])
 ```
 
 Il est possible d'ajouter un argument `dtype` pour contraindre le type du *array*:
 
 ```{python}
+#| echo: true
 np.array([["a","z","e"],["r","t"],["y"]], dtype="object")
 ```
 
@@ -149,32 +154,47 @@ Il existe aussi des méthodes pratiques pour créer des array:
 * séquences aléatoires: fonctions de génération de nombres aléatoires: `np.rand.uniform`, `np.rand.normal`, etc. 
 * tableau sous forme de matrice identité: `np.eye`
 
+Ceci donne ainsi, pour les séquences logiques:
 
 ```{python}
+#| echo: true
 np.arange(0,10)
 ```
 
 ```{python}
+#| echo: true
 np.arange(0,10,3)
 ```
 
 ```{python}
+#| echo: true
 np.linspace(0, 1, 5)
 ```
 
+Pour un _array_ initialisé à 0:
+
 ```{python}
+#| echo: true
 np.zeros(10, dtype=int)
 ```
 
+ou initialisé à 1:
+
 ```{python}
+#| echo: true
 np.ones((3, 5), dtype=float)
 ```
 
+ou encore initialisé à 3.14:
+
 ```{python}
 np.full((3, 5), 3.14)
 ```
 
+Enfin, pour créer la matrice $I_3$:
+
 ```{python}
+#| echo: true
 np.eye(3)
 ```
 
@@ -198,9 +218,7 @@ Générer:
 
 
 ```{python}
-#| include: false
-
-# Correction
+#| output: false
 X = np.random.uniform(0,1,1000)
 Y = np.random.normal(0,np.sqrt(2),1000)
 
@@ -214,6 +232,7 @@ np.var(Y)
 La structure la plus simple est l'_array_ unidimensionnel:
 
 ```{python}
+#| echo: true
 x = np.arange(10)
 print(x)
 ```
@@ -245,6 +264,7 @@ x[K-1]
 Pour sélectionner uniquement un élément, on fera ainsi:
 
 ```{python}
+#| echo: true
 x = np.arange(10)
 x[2]
 ```
@@ -273,7 +293,7 @@ Prenez `x = np.arange(10)` et...
 
 
 ```{python}
-#| include: false
+#| output: false
 
 # Correction
 x[[0,3,5]]
@@ -315,13 +335,15 @@ Ces comparaisons fonctionnent aussi sur les tableaux multidimensionnels grâce a
 *broadcasting* sur lequel nous reviendrons :
 
 ```{python}
+#| echo: true
 x = np.arange(10)
 x2 = np.array([[-1,1,-2],[-3,2,0]])
 print(x)
 print(x2)
 ```
 
 ```{python}
+#| echo: true
 x==2
 x2<0
 ```
@@ -356,7 +378,7 @@ et rapportez les à la somme des valeurs de `x` (en valeur absolue)
 
 
 ```{python}
-#| include: false
+#| output: false
 
 # Correction
 x = np.random.normal(size=10000)
@@ -381,12 +403,14 @@ Parmi elles, on peut retrouver:
 Soit
 
 ```{python}
+#| echo: true
 x = np.random.normal(0, size=(3, 4))
 ```
 
 un *array* multidimensionnel et
 
 ```{python}
+#| echo: true
 y = np.array([np.nan, 0, 1])
 ```
 
@@ -413,7 +437,7 @@ Note : Jetez un oeil à ce que correspond le paramètre `axis` dans `numpy` en v
 
 
 ```{python}
-#| include: false
+#| output: false
 
 # Correction
 x = np.random.normal(0, size=(3, 4))
@@ -438,13 +462,14 @@ print(np.any(x>0, axis = 1))
 Dans cette section, on utilisera un array multidimensionnel:
 
 ```{python}
+#| echo: true
 x = np.random.normal(0, size=(3, 4))
 ```
 
-### Statistiques sur un array
+### Statistiques sur un _array_
 
 Pour les statistiques descriptives classiques,
-`numpy` propose un certain nombre de fonctions déjà implémentées,
+`Numpy` propose un certain nombre de fonctions déjà implémentées,
 qui peuvent être combinées avec l'argument `axis`
 
 ::: {.cell .markdown}
@@ -467,7 +492,7 @@ L'appliquer sur `x` en jouant avec l'argument axis
 
 
 ```{python}
-#| include: false
+#| output: false
 
 # Correction
 print(x)
@@ -480,7 +505,7 @@ print(x.sum(axis = 1).sum())
 ```
 
 ```{python}
-#| include: false
+#| output: false
 
 # Correction
 
@@ -524,12 +549,14 @@ les fonctions `np.concatenate`, `np.vstack` ou la méthode `.r_` (concaténation
 `np.hstack` ou la méthode `.column_stack` ou `.c_` (concaténation *column-wise*)
 
 ```{python}
+#| echo: true
 x = np.random.normal(size = 10)
 ```
 
 Pour ordonner un array, on utilise `np.sort`
 
 ```{python}
+#| echo: true
 x = np.array([7, 2, 3, 1, 6, 5, 4])
 
 np.sort(x)
@@ -538,6 +565,7 @@ np.sort(x)
 Si on désire faire un ré-ordonnement partiel pour trouver les _k_ valeurs les plus petites d'un `array` sans les ordonner, on utilise `partition`:
 
 ```{python}
+#| echo: true
 np.partition(x, 3)
 ```
 
@@ -553,6 +581,7 @@ La différence peut être comprise à partir de l'exemple suivant. Le *broadcast
 de transformer le scalaire `5` en *array* de dimension 3:
 
 ```{python}
+#| echo: true
 a = np.array([0, 1, 2])
 
 b = np.array([5, 5, 5])
@@ -628,8 +657,7 @@ for i in range(X.shape[0]):
 
 
 ```{python}
-#| include: false
-#| echo: false
+#| output: false
 
 # Correction
 
@@ -645,8 +673,7 @@ plt.scatter(X[:, 0], X[:, 1], s=100)
 
 
 ```{python}
-#| include: false
-#| echo: false
+#| output: false
 
 fig = plt.figure()
 plt.scatter(X[:, 0], X[:, 1], s=100)
@@ -659,8 +686,7 @@ Pour la question 2, vous devriez obtenir un graphique ayant cet aspect :
 ![](scatter_numpy.png)
 
 ```{python}
-#| include: false
-#| echo: false
+#| output: false
 
 # 3. Construire la matrice des distances euclidiennes
 print(X.shape)
@@ -753,7 +779,7 @@ sur votre matrice.
 :::
 
 ```{python}
-#| echo: false
+#| output: false
 
 # Question 1
 M = np.array([[0, 0, 0, 0, 1],
@@ -764,7 +790,6 @@ M = np.array([[0, 0, 0, 0, 1],
 ```
 
 ```{python}
-#| echo: false
 import networkx as nx
 
 G = nx.from_numpy_array(M)
@@ -775,8 +800,6 @@ plt.savefig("scatter_numpy.png", bbox_inches = "tight")
 
 
 ```{python}
-#| echo: false
-
 """PageRank algorithm with explicit number of iterations.
 
 Returns
@@ -822,7 +845,6 @@ Le site 1 est assez central car il est référencé 2 fois. Le site
 5 est lui également central puisqu'il est référencé par le site 1.
 
 ```{python}
-#| echo: false
 v
 ```
 

content/manipulation/04c_API_TP.qmd

@@ -834,7 +834,7 @@ import contextily as ctx
 fig,ax = plt.subplots(figsize=(10, 10))
 circle.to_crs("EPSG:3857").plot(ax = ax, color = 'red')
 pal.to_crs("EPSG:3857").plot(ax = ax, color = 'green')
-ctx.add_basemap(ax, source = ctx.providers.Stamen.Toner)
+#ctx.add_basemap(ax, source = ctx.providers.Stamen.Toner)
 ax
 ```
 
@@ -846,7 +846,7 @@ import contextily as ctx
 fig,ax = plt.subplots(figsize=(10, 10))
 circle.to_crs("EPSG:3857").plot(ax = ax, color = 'red')
 pal.to_crs("EPSG:3857").plot(ax = ax, color = 'green')
-ctx.add_basemap(ax, source = ctx.providers.Stamen.Toner)
+#ctx.add_basemap(ax, source = ctx.providers.Stamen.Toner)
 ax
 
 plt.savefig('map_buffer.png', bbox_inches='tight')