{"id":10954,"date":"2026-10-14T18:02:36","date_gmt":"2026-10-14T18:02:36","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-utiliser-numpy-where-avec-plusieurs-conditions\/"},"modified":"2026-10-14T18:02:36","modified_gmt":"2026-10-14T18:02:36","slug":"comment-utiliser-numpy-where-avec-plusieurs-conditions","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-utiliser-numpy-where-avec-plusieurs-conditions","title":{"rendered":"Comment utiliser NumPy where() avec plusieurs conditions"},"content":{"rendered":"

Dans le paysage contemporain du calcul scientifique et de la science des donn\u00e9es, la manipulation efficiente de structures matricielles massives constitue un imp\u00e9ratif fondamental. L’\u00e9cosyst\u00e8me Python, historiquement con\u00e7u comme un langage interpr\u00e9t\u00e9 de haut niveau \u00e0 typage dynamique, trouve ses limites intrins\u00e8ques de performance d\u00e8s lors qu’il s’agit d’it\u00e9rer s\u00e9quentiellement sur des millions d’enregistrements num\u00e9riques. Pour pallier cette latence computationnelle inh\u00e9rente \u00e0 la boucle d’\u00e9valuation de CPython, la biblioth\u00e8que logicielle fondamentale NumPy<\/a> a instaur\u00e9 le paradigme du calcul vectoris\u00e9 en m\u00e9moire contigu\u00eb, d\u00e9l\u00e9guant les op\u00e9rations \u00e9l\u00e9mentaires \u00e0 des sous-programmes compil\u00e9s en langage C et Fortran, optimis\u00e9s pour les architectures de processeurs modernes.<\/p>\n

Au c\u0153ur de cet arsenal algorithmique, la fonction numpy.where()<\/code> s’impose comme l’un des m\u00e9canismes les plus polyvalents pour orchestrer la s\u00e9lection, l’indexation et la mutation conditionnelle de tenseurs de donn\u00e9es. Cependant, d\u00e8s lors que la mod\u00e9lisation analytique exige l’\u00e9valuation de r\u00e8gles d’inf\u00e9rence complexes impliquant de multiples pr\u00e9dicats simultan\u00e9s ou alternatifs, le praticien se heurte aux particularit\u00e9s structurelles de la logique vectoris\u00e9e. Contrairement aux structures de contr\u00f4le natives du langage, l’\u00e9valuation de conditions multiples au sein de tableaux \u00e0 plusieurs dimensions n\u00e9cessite une compr\u00e9hension formelle de l’alg\u00e8bre bool\u00e9enne appliqu\u00e9e aux s\u00e9quences contigu\u00ebs, des r\u00e8gles de diffusion dimensionnelle (broadcasting) et de l’ordonnancement rigoureux des op\u00e9rations bit-\u00e0-bit.<\/p>\n

Le pr\u00e9sent trait\u00e9 m\u00e9thodologique se propose de diss\u00e9quer de mani\u00e8re exhaustive le fonctionnement, l’optimisation et les pi\u00e8ges syntaxiques associ\u00e9s \u00e0 l’emploi de numpy.where()<\/code> sous des contraintes logiques composites. En explorant la dualit\u00e9 fonctionnelle de cette routine — oscillant entre localisation d’adresses spatiales et substitution ternaire — ce document fournit les cadres conceptuels et les directives d’ing\u00e9nierie logicielle indispensables au traitement rigoureux de signaux continus, de cohortes biom\u00e9triques et de matrices n-dimensionnelles \u00e0 haute densit\u00e9 d’information.<\/p>\n

1. Introduction \u00e0 la fonction NumPy where() et au filtrage multidimensionnel<\/h2>\n

1.1 D\u00e9finition formelle et syntaxe fondamentale de np.where()<\/h3>\n

La routine numpy.where()<\/code> constitue l’adaptation vectoris\u00e9e de l’op\u00e9rateur ternaire conventionnel, tout en int\u00e9grant des capacit\u00e9s avanc\u00e9es d’introspection indiciaire. D’un point de vue formel, sa signature canonique accepte entre un et trois arguments positionnels : numpy.where(condition, [x, y, \/])<\/code>. La variable condition<\/code> se pr\u00e9sente conceptuellement sous la forme d’un objet de type tableau (array-like) dont les \u00e9l\u00e9ments sont interpr\u00e9tables selon une s\u00e9mantique bool\u00e9enne, \u00e9valuant chaque position scalaire \u00e0 True<\/code> ou False<\/code>. Lorsque les param\u00e8tres optionnels x<\/code> et y<\/code> sont omis, la fonction op\u00e8re une m\u00e9tamorphose s\u00e9mantique majeure en retournant un tuple de vecteurs d’entiers correspondant aux coordonn\u00e9es structurales pr\u00e9cises o\u00f9 le pr\u00e9dicat logique s’av\u00e8re v\u00e9rifi\u00e9.<\/p>\n

\u00c0 l’inverse, d\u00e8s lors que les trois param\u00e8tres sont explicitement transmis au compilateur d’ex\u00e9cution, la fonction instancie un nouvel objet numpy.ndarray<\/code> de granularit\u00e9 identique, au sein duquel chaque \u00e9l\u00e9ment en position indiciaire donn\u00e9e est extrait de x<\/code> si le pr\u00e9dicat local \u00e9quivaut \u00e0 la v\u00e9rit\u00e9 logique, ou de y<\/code> dans le cas contraire. Cette dichotomie fonctionnelle conf\u00e8re \u00e0 la m\u00e9thode une double identit\u00e9 : elle agit soit comme un op\u00e9rateur de filtrage spatial adressable, soit comme un commutateur vectoriel universel sans \u00e9tat interm\u00e9diaire. Cette dualit\u00e9 \u00e9vite l’instanciation de boucles it\u00e9ratives au niveau de la machine virtuelle Python, r\u00e9duisant drastiquement les co\u00fbts de contexte d’ex\u00e9cution.<\/p>\n

L’assise th\u00e9orique de cette impl\u00e9mentation repose sur le mod\u00e8le SIMD (Single Instruction, Multiple Data). Les jeux d’instructions des processeurs contemporains, tels que AVX-512 ou ARM NEON, requi\u00e8rent un ordonnancement contigu des blocs de donn\u00e9es binaires pour appliquer les masques logiques de mani\u00e8re atomique. L’appel \u00e0 numpy.where()<\/code> convertit les pr\u00e9dicats formul\u00e9s de mani\u00e8re d\u00e9clarative en routines C bas niveau de la biblioth\u00e8que interne de NumPy, garantissant une utilisation maximale des lignes de cache de donn\u00e9es L1 et L2 du microprocesseur h\u00f4te.<\/p>\n

1.2 Distinction entre s\u00e9lection d’indices et assignation conditionnelle<\/h3>\n

L’analyse structurelle des flux de donn\u00e9es impose une diff\u00e9renciation m\u00e9thodique entre l’extraction d’adresses spatiales et la r\u00e9assignation de grandeurs scalaires. La variante unaire, formalis\u00e9e par indices = np.where(condition)<\/code>, engendre un tuple de tableaux unidimensionnels dont la cardinalit\u00e9 correspond rigoureusement au rang — c’est-\u00e0-dire au nombre d’axes ou \u00e0 la dimensionnalit\u00e9 formelle (ndim) — de la matrice d’entr\u00e9e. Dans un espace bidimensionnel de dimension M × N<\/em>, le premier tableau liste les indices de lignes tandis que le second recense les indices de colonnes. Cette forme unaire n’alt\u00e8re ni ne copie le contenu natif du tenseur original ; elle se borne \u00e0 cartographier les coordonn\u00e9es d’activation du crit\u00e8re s\u00e9lectif.<\/p>\n

\u00c0 l’oppos\u00e9, la variante ternaire instancie un tableau r\u00e9sultat dont l’allocation m\u00e9moire est calcul\u00e9e par les r\u00e8gles d’unification de type (type promotion) et de diffusion structurelle entre les trois op\u00e9randes. Lorsque x<\/code> et y<\/code> sont assign\u00e9s, NumPy ne retient pas la localisation des indices dans le produit d’\u00e9chappement, mais injecte directement la valeur correspondante dans la case m\u00e9moire allou\u00e9e au nouveau tenseur. Le choix entre ces deux approches entra\u00eene des cons\u00e9quences drastiques sur la consommation de m\u00e9moire vive. La s\u00e9lection d’indices g\u00e9n\u00e8re des structures de coordonn\u00e9es qui, pour de tr\u00e8s volumineux volumes de donn\u00e9es \u00e9parses, sont extr\u00eamement compactes, alors que l’assignation ternaire r\u00e9serve imm\u00e9diatement un bloc contigu dont l’empreinte m\u00e9moire \u00e9quivaut \u00e0 la taille compl\u00e8te du domaine de d\u00e9finition sous-jacent.<\/p>\n

Sur le plan de l’architecture logicielle, privil\u00e9gier la variante unaire s’impose lorsqu’une s\u00e9rie d’op\u00e9rations g\u00e9om\u00e9triques ou de recalculs locaux d’intervalles doit \u00eatre ex\u00e9cut\u00e9e ult\u00e9rieurement sur les sous-\u00e9chantillons. En revanche, l’assignation ternaire s’av\u00e8re optimale d\u00e8s lors que le cycle analytique requiert la construction d’un signal continu normalis\u00e9, d’une variable binaire d’\u00e9tiquetage cat\u00e9goriel ou d’une matrice d’imputation dans laquelle les valeurs aberrantes sont imm\u00e9diatement substitu\u00e9es par des bornes num\u00e9riques contr\u00f4l\u00e9es.<\/p>\n

1.3 Pertinence m\u00e9thodologique dans l’analyse de donn\u00e9es quantitatives<\/h3>\n

Dans les disciplines empiriques quantitatives, allant de l’\u00e9conom\u00e9trie computationnelle \u00e0 l’\u00e9lectrophysiologie clinique, les flux de donn\u00e9es bruts collect\u00e9s par les capteurs ou les bases transactionnelles contiennent fr\u00e9quemment des art\u00e9facts, des instabilit\u00e9s de mesure et des saturations de bande passante. La cat\u00e9gorisation automatis\u00e9e de ces variables continues en r\u00e9gimes d’observation discrets exige une combinatoire de crit\u00e8res d\u00e9cisionnels simultan\u00e9s. Par exemple, l’identification d’une phase de stress physiologique chez un mammif\u00e8re via l’enregistrement simultan\u00e9 de la fr\u00e9quence cardiaque, de la r\u00e9sistance galvanique de la peau et de la temp\u00e9rature corporelle ne peut s’effectuer selon une r\u00e8gle d’exclusion triviale \u00e0 un seul facteur.<\/p>\n

Le recours aux structures it\u00e9ratives s\u00e9quentielles en langage standard (telles que les boucles for<\/code> ou les compr\u00e9hensions de listes) induit un goulet d’\u00e9tranglement p\u00e9nalisant, principalement imputable \u00e0 la surcharge de d\u00e9r\u00e9f\u00e9rencement d’objets dynamiques et \u00e0 l’absence de vectorisation au niveau mat\u00e9riel. L’emploi de pr\u00e9dicats composites appliqu\u00e9s \u00e0 des tableaux continus via numpy.where()<\/code> supprime int\u00e9gralement les barri\u00e8res d’interpr\u00e9tation de CPython. Les calculs s’ex\u00e9cutent directement au sein de segments m\u00e9moire contigus (m\u00e9moire lin\u00e9aire C-contiguous ou Fortran-contiguous), lib\u00e9rant le calcul scientifique des contraintes de l’interpr\u00e9teur.<\/p>\n

De surcro\u00eet, la standardisation des pipelines de traitement sous forme de transformations matricielles vectoris\u00e9es garantit la reproductibilit\u00e9 absolue des calculs scientifiques. L’expression formelle des r\u00e8gles de filtrage sous la forme d’\u00e9quations logiques unifi\u00e9es offre une tra\u00e7abilit\u00e9 math\u00e9matique sup\u00e9rieure, limitant les effets de bord ind\u00e9sirables qui \u00e9mergent fr\u00e9quemment lors de l’accumulation de blocs d\u00e9cisionnels imp\u00e9ratifs if-elif-else<\/code> diss\u00e9min\u00e9s au sein du code source applicatif.<\/p>\n

2. M\u00e9canique interne de l’\u00e9valuation logique dans les tableaux NumPy<\/h2>\n

2.1 Tableaux bool\u00e9ens et principes du masquage (Boolean Masking)<\/h3>\n

L’\u00e9valuation logique au sein de l’environnement NumPy repose structurellement sur l’instanciation de tableaux bool\u00e9ens, \u00e9galement qualifi\u00e9s de masques binaires. Lorsqu’un pr\u00e9dicat relationnel — tel qu’une \u00e9galit\u00e9 stricte, une in\u00e9galit\u00e9 ou une appartenance d’intervalle — est appliqu\u00e9 \u00e0 un tenseur num\u00e9rique, le moteur d’ex\u00e9cution n’effectue pas une d\u00e9cision unitaire scalaire. Il g\u00e9n\u00e8re un nouvel objet du type numpy.ndarray<\/a> dot\u00e9 du type de donn\u00e9es scalaire sp\u00e9cifique numpy.bool_<\/code>. Chaque \u00e9l\u00e9ment de cette nouvelle matrice refl\u00e8te la validit\u00e9 logique du test appliqu\u00e9 \u00e0 la position homoth\u00e9tique du tableau initial.<\/p>\n

Bien qu’un bit unique suffise th\u00e9oriquement \u00e0 repr\u00e9senter l’\u00e9tat dichotomique vrai ou faux, le type numpy.bool_<\/code> alloue usuellement un octet complet (8 bits) par cellule en m\u00e9moire vive. Cette disposition m\u00e9moire est dict\u00e9e par les imp\u00e9ratifs d’adressage direct des microprocesseurs contemporains, lesquels ne peuvent pas commod\u00e9ment adresser des bits individuels sans subir une d\u00e9gradation des cycles d’instruction de masquage binaire et de d\u00e9calage de registre. En cons\u00e9quence, un tableau bool\u00e9en compos\u00e9 de dix millions de points consomme environ dix m\u00e9gaoctets de m\u00e9moire tampon, un \u00e9l\u00e9ment fondamental \u00e0 consid\u00e9rer lors du traitement de volum\u00e9tries massives.<\/p>\n

Le masquage logique direct constitue l’op\u00e9ration par laquelle ce tableau d’\u00e9tats de v\u00e9rit\u00e9 est exploit\u00e9 comme op\u00e9rateur d’indexation s\u00e9lective. En \u00e9crivant la formulation formelle sous_ensemble = tableau[masque_booleen]<\/code>, l’utilisateur ordonne au sous-syst\u00e8me de NumPy d’extraire exclusivement les blocs m\u00e9moires correspondant aux octets valoris\u00e9s \u00e0 1. Ce m\u00e9canisme forme la pierre angulaire sur laquelle repose numpy.where()<\/code>, ce dernier venant enrichir la logique de s\u00e9lection par des fonctionnalit\u00e9s de routage spatial et d’assignation dynamique de substitution.<\/p>\n

2.2 Diff\u00e9rences critiques entre op\u00e9rateurs logiques natifs et vectoris\u00e9s<\/h3>\n

L’une des sources de dysfonctionnement les plus r\u00e9pandues lors de la conception d’algorithmes matriciels complexes r\u00e9side dans la confusion entre les op\u00e9rateurs logiques scalaires natifs de Python (and<\/code>, or<\/code>, not<\/code>) et leurs homologues vectoriels binaires (&<\/code>, |<\/code>, ~<\/code>). Les mots-cl\u00e9s r\u00e9serv\u00e9s du langage standard Python sont explicitement con\u00e7us pour \u00e9valuer la v\u00e9racit\u00e9 intrins\u00e8que d’un objet consid\u00e9r\u00e9 dans sa globalit\u00e9 holistique, en s’appuyant sur l’appel sous-jacent \u00e0 la m\u00e9thode magique __bool__()<\/code>. Dans l’\u00e9cosyst\u00e8me NumPy, la transposition d’un conteneur multidimensionnel vers un scalaire bool\u00e9en unique s’av\u00e8re fondamentalement ind\u00e9finie, car le syst\u00e8me ne peut arbitrer si l’\u00e9tat de v\u00e9rit\u00e9 globale doit refl\u00e9ter la conformit\u00e9 de tous les \u00e9l\u00e9ments ou d’au moins un \u00e9l\u00e9ment singulier.<\/p>\n

Par cons\u00e9quent, l’\u00e9valuation d’une assertion telle que (tableau > 0) and (tableau < 10)<\/code> d\u00e9clenche in\u00e9luctablement une exception bloquante de type : ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()<\/em>. Cette barri\u00e8re d’interruption d\u00e9coule d’une d\u00e9cision architecturale d\u00e9lib\u00e9r\u00e9e des concepteurs de NumPy visant \u00e0 interdire les ambigu\u00eft\u00e9s s\u00e9mantiques. Le mot-cl\u00e9 and<\/code> interrompt de surcro\u00eet l’\u00e9valuation d\u00e8s la premi\u00e8re fausset\u00e9 rencontr\u00e9e (principe d’\u00e9valuation en court-circuit), un m\u00e9canisme techniquement incompatible avec le calcul vectoriel o\u00f9 l’ensemble des coordonn\u00e9es scalaires doit \u00eatre trait\u00e9 de front de fa\u00e7on exhaustive.<\/p>\n

Pour accomplir une op\u00e9ration conjonctive ou disjonctive sur des structures de donn\u00e9es \u00e9tendues, il est imp\u00e9ratif d’utiliser les op\u00e9rateurs bit-\u00e0-bit surcharg\u00e9s par la classe ndarray<\/code>. L’op\u00e9rateur perlu\u00e8te &<\/code> active l’op\u00e9ration conjonctive \u00e9l\u00e9ment par \u00e9l\u00e9ment (bitwise AND), l’op\u00e9rateur barre verticale |<\/code> d\u00e9clenche l’\u00e9valuation disjonctive (bitwise OR), tandis que le tilde ~<\/code> concr\u00e9tise la n\u00e9gation logique unitaire (bitwise NOT). Ces op\u00e9rateurs d\u00e9l\u00e8guent le traitement aux fonctions universelles (ufuncs<\/em>) d\u00e9di\u00e9es de NumPy, garantissant un traitement en parall\u00e8le rigoureux sur chaque composant m\u00e9moire.<\/p>\n

2.3 R\u00e8gles de pr\u00e9c\u00e9dence des op\u00e9rateurs et parenth\u00e9sage imp\u00e9ratif<\/h3>\n

L’introduction des op\u00e9rateurs bit-\u00e0-bit au sein d’expressions conditionnelles combinatoires introduit un d\u00e9fi de grammaire syntaxique li\u00e9 \u00e0 l’arbre syntaxique abstrait (AST) de Python. Dans la hi\u00e9rarchie officielle de pr\u00e9c\u00e9dence des op\u00e9rateurs d\u00e9finie par les sp\u00e9cifications du langage, les op\u00e9rateurs au niveau du bit (&<\/code>, |<\/code>, ^<\/code>) poss\u00e8dent un niveau de priorit\u00e9 d’\u00e9valuation substantiellement plus \u00e9lev\u00e9 que les op\u00e9rateurs de comparaison relationnelle traditionnels tels que <<\/code>, <=<\/code>, ><\/code>, >=<\/code>, ==<\/code> et !=<\/code>.<\/p>\n

Cette hi\u00e9rarchie engendre des erreurs d’interpr\u00e9tation silencieuses ou syntaxiques destructrices si des barri\u00e8res de d\u00e9limitation ne sont pas scrupuleusement \u00e9tablies. Consid\u00e9rons l’expression non parenth\u00e9s\u00e9e suivante : x > 5 & x < 20<\/code>. En raison des lois de pr\u00e9c\u00e9dence, le compilateur Python associe prioritairement l’expression centrale 5 & x<\/code>, tentant d’ex\u00e9cuter une conjonction binaire entre l’entier scalaire 5 et le tenseur x<\/code>. Dans un tel contexte, le moteur tente ensuite d’\u00e9valuer une cha\u00eene de comparaisons qui se solde invariablement par une lev\u00e9e d’exception ou par un r\u00e9sultat math\u00e9matique corrompu n’ayant aucun rapport avec l’encadrement num\u00e9rique recherch\u00e9.<\/p>\n

Pour forcer l’interpr\u00e9teur \u00e0 r\u00e9soudre en premier lieu les pr\u00e9dicats relationnels avant de proc\u00e9der \u00e0 leur unification logique, l’encadrement de chaque pr\u00e9dicat individuel par des parenth\u00e8ses rondes est strictement obligatoire : (x > 5) & (x < 20)<\/code>. Cette structuration rigoureuse garantit que les deux tableaux bool\u00e9ens interm\u00e9diaires soient int\u00e9gralement r\u00e9solus en m\u00e9moire avant que l’op\u00e9rateur conjonctif binaire ne proc\u00e8de \u00e0 leur fusion bit-\u00e0-bit, assurant ainsi la coh\u00e9rence logique indispensable \u00e0 l’ex\u00e9cution ult\u00e9rieure de numpy.where()<\/code>.<\/p>\n

3. Impl\u00e9mentation de la condition logique disjonctive (OU logique)<\/h2>\n

3.1 Syntaxe et s\u00e9mantique de l’op\u00e9rateur bit-\u00e0-bit pipe (|)<\/h3>\n

L’op\u00e9rateur binaire barre verticale |<\/code> impl\u00e9mente la s\u00e9mantique de la disjonction logique inclusive appliqu\u00e9e \u00e0 chaque point de donn\u00e9es d’un tenseur. Sur le plan de la th\u00e9orie des ensembles, cette op\u00e9ration correspond formellement \u00e0 l’union d’ensembles discrets. Lorsqu’elle est invoqu\u00e9e entre deux masques de dimensions identiques, elle sollicite en arri\u00e8re-plan la fonction universelle numpy.bitwise_or()<\/a>, laquelle se convertit pour des arguments \u00e0 typage bool\u00e9en en l’\u00e9quivalent s\u00e9mantique strict de numpy.logical_or()<\/code>.<\/p>\n

Le comportement de cette op\u00e9ration suit rigoureusement la table de v\u00e9rit\u00e9 bool\u00e9enne \u00e9l\u00e9mentaire : la position r\u00e9sultante prend la valeur True<\/code> si et seulement si au moins l’un des deux pr\u00e9dicats d’entr\u00e9e — ou les deux — est \u00e9valu\u00e9 \u00e0 True<\/code>. Si les deux pr\u00e9dicats sont simultan\u00e9ment faux pour une coordonn\u00e9e spatiale d\u00e9finie, la case correspondante du tableau de sortie re\u00e7oit la valeur False<\/code>. Cette logique s’av\u00e8re particuli\u00e8rement adapt\u00e9e \u00e0 la formulation de crit\u00e8res de rejet ou d’alertes seuils o\u00f9 le d\u00e9passement d’un unique facteur parmi un ensemble de m\u00e9triques suffit \u00e0 qualifier l’\u00e9v\u00e9nement d’int\u00e9r\u00eat.<\/p>\n

L’\u00e9quivalence algorithmique entre l’op\u00e9rateur syntaxique (A) | (B)<\/code> et l’invocation fonctionnelle directe np.logical_or(A, B)<\/code> offre une flexibilit\u00e9 d’ing\u00e9nierie appr\u00e9ciable. Si la syntaxe symbolique s’av\u00e8re incontestablement plus concise et lisible pour l’\u00e9criture de formules statiques au sein de scripts analytiques, la formulation fonctionnelle s’av\u00e8re quant \u00e0 elle modulable, autorisant la transmission de tableaux de pr\u00e9dicats sous forme de param\u00e8tres dynamiques ou l’exploitation de m\u00e9canismes de r\u00e9duction dimensionnelle avanc\u00e9s.<\/p>\n

3.2 \u00c9tude d\u00e9taill\u00e9e du cas empirique : x[(x < 5) | (x > 20)]<\/h3>\n

Pour appr\u00e9hender le cycle d’ex\u00e9cution complet d’un filtrage disjonctif, analysons la d\u00e9composition structurelle d’une requ\u00eate visant \u00e0 isoler les \u00e9l\u00e9ments extr\u00eames d’une distribution statistique : x[(x < 5) | (x > 20)]<\/code> ou son \u00e9quivalent indiciaire np.where((x < 5) | (x > 20))<\/code>. Soit un tableau unidimensionnel x<\/code> h\u00e9bergeant une suite d’\u00e9chantillons continus. La machine d’ex\u00e9cution proc\u00e8de en trois phases s\u00e9quentielles strictes lors de la r\u00e9solution de cette instruction.<\/p>\n

Durant la phase initiale, le premier pr\u00e9dicat (x < 5)<\/code> est \u00e9valu\u00e9 de fa\u00e7on exhaustive sur l’ensemble de la m\u00e9moire allou\u00e9e \u00e0 x<\/code>, g\u00e9n\u00e9rant un premier tableau bool\u00e9en temporaire anonyme de m\u00eame taille. Imm\u00e9diatement apr\u00e8s, le second pr\u00e9dicat (x > 20)<\/code> est r\u00e9solu de mani\u00e8re autonome, instanciant un second tableau bool\u00e9en temporaire. La deuxi\u00e8me phase voit l’op\u00e9rateur |<\/code> r\u00e9aliser la fusion disjonctive : le processeur parcourt les deux m\u00e9moires tampons et produit un troisi\u00e8me masque logique unifi\u00e9 o\u00f9 chaque cellule contient le r\u00e9sultat de l’op\u00e9ration OR<\/code> binaire appliqu\u00e9e aux deux entr\u00e9es synchrones.<\/p>\n

Lors de la phase finale, ce masque composite r\u00e9sultant est transmis \u00e0 la structure d’indexation ou aux arguments conditionnels de numpy.where()<\/code>. Les \u00e9l\u00e9ments v\u00e9rifiant l’une ou l’autre des bornes — c’est-\u00e0-dire les valeurs strictement inf\u00e9rieures \u00e0 5 ainsi que celles strictement sup\u00e9rieures \u00e0 20 — sont s\u00e9lectionn\u00e9s, tandis que le c\u0153ur central de la distribution (l’intervalle ferm\u00e9 [5, 20]) est exclu de la s\u00e9lection. Cette approche permet une segmentation chirurgicale des queues de distribution sans alt\u00e9ration de l’ordre s\u00e9quentiel initial des observations.<\/p>\n

3.3 Quantification des occurrences via les propri\u00e9t\u00e9s scalaires<\/h3>\n

Une fois le crit\u00e8re disjonctif mat\u00e9rialis\u00e9, la quantification m\u00e9trologique du volume d’\u00e9l\u00e9ments satisfaisant au pr\u00e9dicat unifi\u00e9 repr\u00e9sente une \u00e9tape incontournable du diagnostic statistique. Deux m\u00e9thodologies conceptuelles concurrentes coexistent au sein de la biblioth\u00e8que NumPy pour d\u00e9nombrer ces occurrences, pr\u00e9sentant des profils d’efficacit\u00e9 computationnelle sensiblement disparates.<\/p>\n

La premi\u00e8re d\u00e9marche, d’inspiration na\u00efve, consiste \u00e0 \u00e9valuer la taille du sous-\u00e9chantillon apr\u00e8s extraction physique des donn\u00e9es :<\/p>\n

taille = len(x[(x < 5) | (x > 20)])<\/code> ou taille = x[(x < 5) | (x > 20)].size<\/code>.<\/p>\n

Cette approche, bien que conceptuellement intuitive, impose un co\u00fbt algorithmique lourd : elle force l’allocation dynamique d’un nouveau segment de m\u00e9moire vive destin\u00e9 \u00e0 h\u00e9berger le sous-tableau des valeurs extraites, r\u00e9alise une copie physique m\u00e9moire-\u00e0-m\u00e9moire des \u00e9l\u00e9ments, pour finalement se borner \u00e0 lire la m\u00e9tadonn\u00e9e dimensionnelle de l’objet nouvellement cr\u00e9\u00e9 avant de le soumettre au ramasse-miettes (garbage collector).<\/p>\n

La seconde approche, hautement recommand\u00e9e pour les pipelines de production haute performance, s’affranchit de toute cr\u00e9ation de sous-tableau interm\u00e9diaire en d\u00e9nombrant directement les \u00e9tats de v\u00e9rit\u00e9 au sein du masque composite via la fonction numpy.count_nonzero()<\/a> :<\/p>\n

nombre_elements = np.count_nonzero((x < 5) | (x > 20))<\/code>.<\/p>\n

Consid\u00e9rant que le type numpy.bool_<\/code> assigne la valeur binaire 0x01 \u00e0 l’\u00e9tat vrai et 0x00 \u00e0 l’\u00e9tat faux, cette fonction applique des routines d’accumulation optimis\u00e9es au niveau registre sans jamais dupliquer les donn\u00e9es sources de x<\/code>. Le gain en d\u00e9bit temporel et en pr\u00e9servation de la m\u00e9moire volatile est substantiel, particuli\u00e8rement lorsque la taille de la structure initiale atteint plusieurs gigaoctets.<\/p>\n

4. Impl\u00e9mentation de la condition logique conjonctive (ET logique)<\/h2>\n

4.1 Syntaxe et s\u00e9mantique de l’op\u00e9rateur bit-\u00e0-bit perlu\u00e8te (&)<\/h3>\n

L’expression de crit\u00e8res conjonctifs — imposant la validation simultan\u00e9e et absolue de l’ensemble des pr\u00e9dicats — s’effectue via l’op\u00e9rateur perlu\u00e8te &<\/code>. Au regard du formalisme ensembliste, cette op\u00e9ration mod\u00e9lise l’intersection exacte de sous-espaces de valeurs. Sous le capot, l’op\u00e9rateur mobilise la fonction universelle numpy.bitwise_and()<\/code>, laquelle se transpose pour les tenseurs logiques en l’\u00e9quivalent strict de numpy.logical_and()<\/code>.<\/p>\n

La condition conjonctive requiert une congruence spatiale stricte : la cellule r\u00e9sultante n’est marqu\u00e9e comme active (valeur True<\/code>) que si et seulement si le pr\u00e9dicat A et<\/em> le pr\u00e9dicat B affichent une v\u00e9rit\u00e9 formelle pour l’index consid\u00e9r\u00e9. D\u00e8s lors qu’une seule des conditions fait d\u00e9faut, le r\u00e9sultat s’effondre vers False<\/code>. Cette s\u00e9v\u00e9rit\u00e9 logique en fait l’outil d’\u00e9lection pour le filtrage par fen\u00eatrage, l’extraction de bandes spectrales cibl\u00e9es ou la s\u00e9lection de profils r\u00e9pondant \u00e0 des cahiers des charges multicrit\u00e8res rigoureux.<\/p>\n

Il importe de souligner que cette op\u00e9ration exige un alignement dimensionnel scrupuleux entre les op\u00e9randes. Si deux masques conjonctifs distincts pr\u00e9sentent des g\u00e9om\u00e9tries structurelles h\u00e9t\u00e9rog\u00e8nes, le moteur d’ex\u00e9cution tentera d’appliquer les lois du broadcasting pour r\u00e9soudre le calcul. Si ces r\u00e8gles d’alignement ne peuvent math\u00e9matiquement combler les \u00e9carts d’axes, une erreur de compatibilit\u00e9 dimensionnelle de type ValueError<\/code> interrompra imm\u00e9diatement la cha\u00eene de traitement.<\/p>\n

4.2 Filtrage par encadrement d’intervalles ferm\u00e9s et ouverts<\/h3>\n

L’application la plus embl\u00e9matique de la conjonction logique vectoris\u00e9e concerne la d\u00e9limitation d’intervalles num\u00e9riques continus, couramment d\u00e9sign\u00e9e sous le terme de fen\u00eatrage (gating<\/em>). Contrairement \u00e0 la notation math\u00e9matique canonique 5 < x < 20<\/code>, que l’interpr\u00e9teur Python tente de d\u00e9composer en une cha\u00eene de comparaisons scalaires cha\u00een\u00e9es inop\u00e9rante sur les conteneurs vectoriels, la formulation sous NumPy doit obligatoirement scinder le domaine en deux pr\u00e9dicats autonomes li\u00e9s par l’op\u00e9rateur &<\/code> :<\/p>\n

condition_fenetre = (x > 5) & (x < 20)<\/code>.<\/p>\n

Cette distinction syntaxique permet un contr\u00f4le rigoureux de la topologie de l’intervalle d’\u00e9tude :<\/p>\n