1  Introduction

1.1 Remerciements

Merci à Marie Postel et Nicolas Lantos pour leurs relectures attentives de la première version de ce recueil et pour les nombreuses corrections et suggestions. Pour cette seconde édition, un merci particulier à Johann Faouzi et Louis Thiry.

Merci également aux membres des équipes pédagogiques de Sorbonne Université ayant utilisé ces exercices pour leurs retours et contributions: Mathieu Barré, Constantin Bône, Jules Bonnard, Cédric Boutillier, Thibault Cimic, Jeanne Decayeux, Cécile Della Valle, Guillaume Duboc, Jean-Jil Duchamps, Jean-Merwan Godon, Elise Grosjean, Cindy Guichard, Nicolas Lantos, Mathieu Mari, David Michel, Leo Miolane, Anouk Nicolopoulos, Arnaud Padrol, Diane Peurichard, Marie Postel, Xavier Poulot-Cazajous, Alexandre Rege, Othmane Safsafi, Emmanuel Schertzer, Agustín Somacal, Didier Smets, Robin Strudel, Gauthier Tallec, Nicolas Thomas, Paul Vernhet, Jules Vidal et Raphaël Zanella.

Finalement merci aux étudiantes et aux étudiants ayant planché sur ces exercices pour leurs retours constructifs qui ont contribué à l’amélioration du présent recueil.

La lectrice attentive ou le lecteur attentif est remercié·e par avance pour tout signalement de coquilles ou autres.

1.2 Pourquoi Python ?

Python est un langage généraliste de programmation interprété qui a la particularité d’être très lisible et pragmatique. Il dispose d’une très grosse base de modules externes, notamment scientifiques, qui le rend particulièrement attractif pour programmer des problèmes mathématiques. Le fait que Python soit un langage interprété le rend plus lent que les langages compilés, il assure en revanche une grande rapidité de développement qui permet à l’humain de travailler un peu moins tandis que l’ordinateur devra travailler un peu plus. Cette particularité fait que Python est devenu l’un des principaux langages de programmation utilisés par les scientifiques.

1.3 Prérequis

Cet ouvrage n’a pas pour but premier d’exposer la syntaxe et les principes du langage Python, aussi les prérequis sont-ils d’en connaître les bases. Il existe de nombreuses ressources pour se mettre à jour en cas de besoin, par exemple:

• le cours en ligne Python 3 : des fondamentaux aux concepts avancés du langage d’Arnaud Legout et Thierry Parmentelat à suivre sur le site de France Université Numérique. Les vidéos sont également disponibles sur YouTube
• l’ouvrage Programmation en Python pour les sciences de la vie de Patrick Fuchs et Pierre Poulain
• le cours 1IN001 dispensé à Sorbonne Université

Par ailleurs la réalisation des exercices demande d’avoir accès à un ordinateur ou un service en ligne disposant de Python 3.6 (ou plus récent) complété par les modules suivants: NumPy, Scipy, SymPy, Matplotlib, Numba, NetworkX et Pandas. L’emploi d’un éditeur de code permettant l’écriture en Python est aussi vivement conseillé. Il est ici suggéré d’utiliser Jupyter Lab, qui permet à la fois l’écriture des notebooks interactifs et des scripts et également l’ajout de ses propres solutions en dessous des énoncés, ce qui est très pratique. Il n’est pas indispensable d’utiliser Jupyter Lab, d’autres environnements sont aussi adaptés, notamment Spyder ou Jupyter Notebook.

Les sections suivantes décrivent comment installer et lancer l’environnement Python ou l’utiliser en ligne sans installation.

1.4 Documentation

Il n’est généralement pas utile (ni souhaitable) de connaître toutes les fonctions et subtilités du langage Python lors d’une utilisation occasionnelle. Par contre il est indispensable de savoir utiliser la documentation de manière efficace. La documentation officielle est disponible à l’adresse https://docs.python.org/. La langue et la version peuvent être sélectionnées en haut à gauche. Il est fortement conseillé de regarder comment la documentation est écrite et d’apprendre à l’utiliser.

1.5 Installation

Les personnes ne pouvant ou ne voulant pas installer Python peuvent directement se rendre à la Section 1.6 pour des alternatives disponibles en ligne sans installation.

Il existe essentiellement trois façons d’installer Python et les modules requis pour réaliser les exercices:

• Miniforge est un gestionnaire de distribution Python. Il faut installer les modules requis pour faire les exercices manuellement. C’est la méthode à privilégier si vous êtes sous Windows ou MacOS.
• Dépôts Linux: la plupart des distributions Linux permettent d’installer Python et les modules de base directement à partir des dépôts de paquets qui les accompagnent. C’est la méthode privilégiée sous Linux.
• Environement virtuel: permet de gérer plusieurs versions de Python et des modules. Cette méthode permet une gestion plus fine et avancée des modules installés que ce qui est proposé avec les méthodes précédentes.

1.6 Lancement de Jupyter Lab

echo "c.NotebookApp.use_redirect_file = False" >> ~/.jupyter/jupyter_notebook_config.py

1.7 Utilisation de Jupyter Lab

Une fois Jupyter Lab lancé, la fenêtre représentée à la Figure 1.1 doit apparaître dans un navigateur.

Jupyter Lab permet essentiellement de traiter trois types de documents: les notebooks, les scripts et les terminaux. Un notebook est constitué de cellules qui peuvent contenir soit du code soit du texte au format Markdown. Les cellules de code peuvent être évaluées de manière interactive à la demande, ce qui permet une grande flexibilité. Les cellules de texte peuvent contenir des commentaires, des titres ou des formules LaTeX comme représenté sur la Figure 1.2.

Un script Python est simplement un fichier texte contenant des instructions Python. Il s’exécute en entier de A à Z et il n’est pas possible d’interagir interactivement avec lui pendant son exécution (à moins que cela n’ait été explicitement programmé). Pour exécuter un script Python il est nécessaire d’ouvrir un terminal.

Commandes de base:

• Créer un nouveau fichier: cliquer sur le bouton «+» situé en haut à gauche, puis choisir le type de fichier à créer.
• Renommer un fichier: cliquer avec le second bouton de la souris sur le titre du notebook (soit dans l’onglet, soit dans la liste des fichiers).
• Changer le type de cellules: menu déroulant permettant de choisir entre «Code» et «Markdown».
• Exécuter une cellule de code: combinaison des touches SHIFT+ENTRÉE.
• Mettre en forme une cellule de texte: combinaison des touches SHIFT+ENTRÉE.
• Modifier une cellule de texte: double-cliquer sur la cellule.
• Exécuter un script: taper python nomduscript.py dans un terminal pour exécuter le script nomduscript.py.
• Réorganiser les cellules: cliquer-déposer.
• Juxtaposer des onglets: cliquer-déposer.

La documentation détaillée de Jupyter Lab est disponible ici.

1.8 Utilisation avancée de Jupyter Lab

Les versions récentes de Jupyter Lab (3 et suivantes avec un ipykernel supérieur à 6) sont dotées d’un débogueur et d’une interface LSP (Language Server Protocol) particulièrement utiles. Le débogueur permet de trouver des erreurs dans le code en arrêtant le programme à des points particuliers pour comprendre ce qui se passe. La documentation et un tutoriel d’utilisation du débogueur est disponible ici. L’interface LSP permet d’accéder à la documentation et aux signatures des fonctions et offre des diagnostics sur le code ainsi que l’autocomplétion. Les informations d’installation et d’utilisation de l’inteface LSP sont disponibles ici.

Débogueur: En écrivant du code, il est naturel de faire des erreurs, un aspect important est de les localiser et de les identifier de manière efficace. Pour cela, il est possible de mettre des commandes print aux bons endroits, mais il est plus approprié d’utiliser un débogueur pour cela. Pour activer le débogueur de Jupyter Lab, cliquez sur le scarabée dans le coin supérieur droit afin qu’il devienne orange. Lorsque le débogueur est activé, la liste des variables globales est disponible dans la barre dédiée. L’aspect le plus utile est la définition de points d’arrêt, qui permettent d’exécuter le code jusqu’à une certaine ligne et d’inspecter l’état du programme à ce moment-là. Pour ce faire, considérons la fonction suivante qui additionne deux nombres:

def add(a, b):
    res = a + b
    return res

Cliquer à gauche d’un numéro de ligne de code place un point d’arrêt, indiqué par un point rouge. Ici, nous proposons de cliquer sur la deuxième ligne effectuant l’addition. En exécutant le code d’appel de fonction suivant:

resultat = add(1, 2)
print(resultat)

3

le programme s’arrêtera à la deuxième ligne de la fonction add. Il est possible de visualiser les valeurs des variables a et b dans l’onglet «Variables» et le code source concerné dans l’onglet «Sources». Les points d’arrêt sont regroupés dans l’onglet «Breakpoints». En naviguant dans l’onglet «Callstack», il est possible de poursuivre l’exécution du programme jusqu’au prochain point d’arrêt.

Survol: Lorsque l’on survole le code avec la souris, si une partie devient soulignée, il est alors possible d’obtenir des informations sur la fonction avec la touche CTRL. Par exemple, en passant la souris sur le code suivant:

from numpy import linalg

et en appuyant sur la touche CTRL lorsque la souris est sur numpy ou linalg, une fenêtre avec des explications sur ces modules est affichée. C’est aussi le cas pour les fonctions définies manuellement si elles contiennent une docstring:

def square(x):
    """Définition de la fonction puissance x -> x^2"""
    return x*x

Déplacer la souris sur le mot square:

r = square(4)

le souligne, et avec la touche CTRL la définition apparaît.

Avertissement: Les erreurs ou les avertissements critiques sont indiqués par un soulignement en rouge ou en orange, par exemple dans le cas d’une variable indéfinie:

def f(x):
    if x:
        undefined_variable
    return x

Suggestion: En tapant linalg. dans une cellule, des suggestions de fonctions disponibles dans ce module sont affichées. Dans d’autres cas, les suggestions sont activées avec la touche TAB. C’est le cas par exemple avec un dictionnaire défini manuellement:

dic = {'key1':3, 'key2':5}

En tapant dic[ dans une cellule suivi de la touche TAB, les suggestions 'key1' et 'key2' s’affichent.

Signature: En tapant linalg.solve(, on obtient l’aide et la signature de cette fonction, c’est-à-dire la façon dont les arguments doivent être utilisés dans cette fonction. En plaçant la souris sur le mot solve avec la touche CTRL, il y a aussi une description de la fonction.

Référence: En cliquant sur un symbole, les autres utilisations de celui-ci sont mises en évidence.

Définition: En cliquant avec le bouton droit de la souris sur un symbole et ensuite sur «Jump to definition», il est possible d’aller à la définition de la fonction en question. Il est par example possible de faire un test sur le code suivant:

f(None)

Renommage: Il est possible de renommer une variable de manière intelligente (c’est-à-dire sans renommer les variables locales, par exemple) en faisant un clic droit sur la variable en question et en sélectionnant «Rename symbol».

Panneau de diagnostic: Il est possible de trier et de naviguer dans les diagnostics à l’aide du «panneau de diagnostic». Pour l’ouvrir, il suffit de sélectionner «Diagnostics panel» dans le menu contextuel d’une cellule (bouton droit de la souris).

Personnalisation: Le menu «Settings» de Jupyter Lab permet de personnaliser l’environnement de travail, notamment de choisir le thème, la taille de la police, l’indentation par défaut, mais aussi de nombreuses autres options plus avancées.