Trafic vélo au fil de la semaine

En 2012, la ville de Seattle a installé des compteurs pour mesurer le nombre de vélos traversant le pont Fremont, un axe majeur pour les cyclistes se rendant au centre-ville depuis les quartiers du nord.

Un tableau NumPy 2D appelé bike_traffic est chargé. Il contient le nombre moyen de cyclistes comptés à chaque heure de la journée pour chaque jour de la semaine, d’octobre 2012 à la mi-juin 2018.

Chaque colonne correspond à un jour de la semaine, en commençant par le lundi.
Chaque ligne correspond à une heure de la journée, en commençant par la plage 0 h–1 h.

N’oubliez pas que l’indexation en Python diffère de MATLAB :

L’indexation en Python commence à 0, et non à 1
En Python, vous pouvez utiliser des indices négatifs : -1 est équivalent à end dans MATLAB

Cet exercice fait partie du cours

Python pour les utilisateurs de MATLAB

Afficher le cours

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Print the shape of bike traffic
print(bike_traffic.____)

Modifier et exécuter le code

Cet exercice fait partie du cours

Python pour les utilisateurs de MATLAB

DébutantNiveau de compétence

4.8+

Commencer le cours gratuitement

Ce chapitre vous met sur les rails pour passer de MATLAB à Python. Vous découvrirez des similitudes et des différences entre MATLAB et Python, comment utiliser les méthodes et les packages, et ferez connaissance avec le populaire package NumPy.

Exercise 1: Bienvenue dans Python !Exercise 2: Calculs de base Exercise 3: Prévoir un investissement Exercise 4: Types de variables Exercise 5: Méthodes et packages Exercise 6: Manipuler des chaînes avec des méthodes Exercise 7: Utiliser des packages Python Exercise 8: Tableaux et visualisation Exercise 9: Premiers pas avec les tableaux NumPy Exercise 10: Tracer le trafic à vélo Exercise 11: Qu’est-ce qui prédit la longévité des animaux ?

Dans ce chapitre, vous consoliderez vos nouvelles connaissances sur NumPy. Vous explorerez les tableaux NumPy, l’équivalent Python des matrices, en effectuant des opérations mathématiques et des indexations. Vous commencerez aussi à découvrir une autre structure de données Python importante, la liste, puis vous terminerez le chapitre en créant des graphiques personnalisés de vos tableaux avec Matplotlib.

Exercise 1: Plonger dans les tableaux NumPy Exercise 2: Prévisions dans le temps Exercise 3: Combien plus chers sont les avocats bio ?Exercise 4: Indexation des tableaux NumPy Exercise 5: Récupérer des colonnes depuis des tableaux NumPy Exercise 6: Trafic vélo au fil de la semaine

Exercice en cours

Exercise 7: Filtrer des tableaux avec une indexation booléenne Exercise 8: Listes Exercise 9: Explorer une liste Exercise 10: Créer des tableaux NumPy à partir de listes Exercise 11: Opérations sur les listes et les tableaux Exercise 12: Personnaliser des tracés Exercise 13: Couleurs, styles de ligne et légendes Exercise 14: Encoder des données en couleur et en taille Exercise 15: Déterminer les types de moteurs lors des collisions avec la faune

Ce chapitre présente des structures de données Python puissantes : le dictionnaire et le DataFrame pandas. Vous apprendrez à créer des dictionnaires en définissant des paires clé‑valeur, puis à afficher et modifier votre dictionnaire. Vous serez ensuite initié à l’un des packages les plus importants de la boîte à outils des Pythonistas, pandas. Plus précisément, vous vous concentrerez sur la structure de pandas, le DataFrame, qui organise les données tabulaires de manière facilement accessible. Enfin, vous verrez comment transformer différents types de données en DataFrames pour faciliter votre travail d’analyse.

Exercise 1: Dictionnaires Exercise 2: Quelles clés ?Exercise 3: Extraire des données Exercise 4: Modifier des dictionnaires Exercise 5: Introduction aux DataFrames Exercise 6: Explorer un DataFrame pandas Exercise 7: Tracer des données depuis un DataFrame Exercise 8: Accéder aux DataFrames pandas Exercise 9: Accéder aux lignes et aux colonnes Exercise 10: Les multiples usages de .iloc Exercise 11: Créer des DataFrames pandas Exercise 12: À partir d’un fichier CSV Exercise 13: À partir d’un dictionnaire de listes Exercise 14: À partir d’une liste de dictionnaires

Vous terminerez le cours en contrôlant le flux d’exécution en Python. Vous apprendrez à itérer sur différentes structures de données Python avec des boucles for. Vous verrez également les structures conditionnelles Python if, else et elif, ainsi que les opérateurs de comparaison (supérieur à, inférieur à, etc.) qui déterminent quelles lignes de code seront exécutées. Pour finir, vous reviendrez sur les tableaux NumPy en utilisant les opérateurs de comparaison Python pour filtrer vos tableaux.

Exercise 1: Parcourir les données avec des boucles Exercise 2: Itérer sur des listes Exercise 3: Superposer plusieurs tracés sur une figure Exercise 4: Comparaisons et contrôle de flux Exercise 5: Compter les différents types d’aéronefs Exercise 6: Trouver certaines lignes dans un DataFrame Exercise 7: Filtrer des données Exercise 8: Indexation booléenne pour des stats rapides Exercise 9: Les booléens à la rescousse !Exercise 10: Indexation booléenne et amusement avec Matplotlib Exercise 11: Bien joué !