numpy : penser vectorisé

Le contrat numpy

Un ndarray = un bloc mémoire contigu et typé (pas une liste d'objets Python). Toute opération s'applique à tout le tableau d'un coup, en C optimisé (SIMD). Le changement mental : arrête de penser « pour chaque élément », pense « sur toute la colonne ».

# ❌ réflexe backend            # ✅ réflexe numpy
result = []                     prix_ttc = prix * 1.20
for p in prix:                  # ...c'est tout.
    result.append(p * 1.20)

Les quatre mécanismes à maîtriser

1. Opérations élément par élément : a * 2 + b — s'applique à tout le tableau ;
2. Broadcasting : opérer entre shapes différentes compatibles — matrice (1000, 3) - moyennes (3,) soustrait les moyennes à chaque ligne, sans copie ;
3. Masques booléens : latences[latences > 500] — ton WHERE ;
4. Agrégations par axe : data.mean(axis=0) = moyenne par colonne, axis=1 = par ligne. Le GROUP BY des tableaux.

Le piège : les copies silencieuses

a[2:5] retourne une vue (pas de copie — modifier la vue modifie l'original !), mais a[mask] retourne une copie. Sur un tableau de 10 Go, la différence se voit dans ta RAM. Réflexe : en cas de doute, np.shares_memory(a, b).