Dans le paysage contemporain de la science des donn\u00e9es et du calcul scientifique haute performance, la dimension temporelle ne saurait \u00eatre r\u00e9duite \u00e0 un attribut scalaire ordinaire. L’\u00e9mergence d’infrastructures massives de capture d’informations, qu’il s’agisse de flux financiers \u00e0 haute fr\u00e9quence, de r\u00e9seaux distribu\u00e9s de capteurs de t\u00e9l\u00e9m\u00e9trie ou de m\u00e9triques comportementales en ligne, a impos\u00e9 une transformation radicale des paradigmes d’ing\u00e9nierie analytique. Traiter le temps exige une formalisation math\u00e9matique rigoureuse, capable de concilier la continuit\u00e9 physique du continuum spatio-temporel et la discr\u00e9tisation inh\u00e9rente aux architectures informatiques num\u00e9riques. Dans cette perspective, la manipulation des s\u00e9ries chronologiques s’affirme comme une discipline pivot o\u00f9 l’alignement pr\u00e9cis, l’\u00e9chantillonnage uniforme et la r\u00e9solution des ambigu\u00eft\u00e9s calendaires conditionnent directement la validit\u00e9 des mod\u00e8les d’inf\u00e9rence statistique et d’apprentissage automatique.<\/p>\n
Au c\u0153ur de l’\u00e9cosyst\u00e8me Python, la biblioth\u00e8que Pandas<\/a>, d\u00e9velopp\u00e9e initialement par Wes McKinney pour r\u00e9pondre aux exigences pointues de la mod\u00e9lisation quantitative, a r\u00e9volutionn\u00e9 la manipulation des donn\u00e9es structur\u00e9es en introduisant des structures de donn\u00e9es sp\u00e9cifiquement optimis\u00e9es pour les chronologies d’observations. L’un des piliers op\u00e9rationnels de cette infrastructure r\u00e9side dans la capacit\u00e9 \u00e0 synth\u00e9tiser, manipuler et projeter des axes temporels coh\u00e9rents \u00e0 l’aide de constructeurs vectoriels d\u00e9di\u00e9s. La fonction g\u00e9n\u00e9ratrice fondamentale permettant d’instancier ces vecteurs ordonn\u00e9s est L’objectif \u00e9pist\u00e9mologique et pratique de cette \u00e9tude exhaustive est d’examiner en profondeur les fondements th\u00e9oriques, l’architecture algorithmique et les d\u00e9clinaisons empiriques de la cr\u00e9ation de plages de dates au sein de Pandas. \u00c0 travers une d\u00e9composition m\u00e9thodique de sa signature d’appel, de son typage m\u00e9moire sous-jacent et de son comportement face aux contraintes de fuseaux horaires et d’irr\u00e9gularit\u00e9s calendaires, nous explorerons trois cas d’usage canoniques illustrant la puissance de ce paradigme : l’\u00e9chantillonnage journalier continu, la partition \u00e9quidistante born\u00e9e et l’alignement sur des fr\u00e9quences \u00e9conomiques et institutionnelles sp\u00e9cifiques. Ce parcours analytique permettra aux praticiens des donn\u00e9es et aux ing\u00e9nieurs logiciels de ma\u00eetriser avec une rigueur absolue la construction d’axes chronologiques robustes et \u00e9volutifs.<\/p>\n L’\u00e9pist\u00e9mologie des s\u00e9ries chronologiques dans le traitement analytique moderne proc\u00e8de d’une rupture fondamentale avec l’analyse de donn\u00e9es transversales traditionnelles. Dans une matrice statistique standard, les observations sont g\u00e9n\u00e9ralement postul\u00e9es comme ind\u00e9pendantes et identiquement distribu\u00e9es. L’introduction de l’axe temporel brise cette hypoth\u00e8se d’ind\u00e9pendance pour lui substituer une d\u00e9pendance structurelle s\u00e9quentielle o\u00f9 l’ordre des vecteurs d’observation encode une causalit\u00e9 physique incontournable. Cette transition conceptuelle requiert l’abandon des types scalaires isol\u00e9s \u2014 tels que de simples cha\u00eenes de caract\u00e8res repr\u00e9sentant des dates sans s\u00e9mantique intrins\u00e8que \u2014 au profit de structures de donn\u00e9es immuables, intrins\u00e8quement ordonn\u00e9es et typ\u00e9es avec pr\u00e9cision chronologique.<\/p>\n Dans ce contexte, la n\u00e9cessit\u00e9 d’un alignement temporel automatique lors des op\u00e9rations matricielles s’av\u00e8re critique. Deux signaux temporels \u00e9chantillonn\u00e9s \u00e0 des fr\u00e9quences asynchrones ou pr\u00e9sentant des lacunes observationnelles sporadiques ne peuvent \u00eatre combin\u00e9s alg\u00e9briquement sans une op\u00e9ration formelle de r\u00e9alignement. Si l’environnement de calcul ne dispose pas d’un syst\u00e8me d’indexation chronologique unifi\u00e9, le praticien s’expose \u00e0 des erreurs insidieuses telles que les fuites d’informations futures (ou look-ahead bias<\/em>), particuli\u00e8rement d\u00e9vastatrices dans l’\u00e9valuation de strat\u00e9gies pr\u00e9dictives et de mod\u00e8les \u00e9conom\u00e9triques.<\/p>\n La vectorisation chronologique permet de substituer aux structures it\u00e9ratives s\u00e9quentielles de Python des calculs d’alg\u00e8bre lin\u00e9aire hautement optimis\u00e9s, ex\u00e9cut\u00e9s au niveau du compilateur bas niveau. L’indexation temporelle ne constitue donc pas une simple commodit\u00e9 de pr\u00e9sentation synth\u00e9tique, mais le fondement op\u00e9rationnel sur lequel reposent l’int\u00e9grit\u00e9, la reproductibilit\u00e9 et la rapidit\u00e9 du traitement distribu\u00e9 de s\u00e9ries d’observations massives.<\/p>\n Au sommet de la hi\u00e9rarchie d’indexation temporelle de la biblioth\u00e8que Pandas tr\u00f4ne l’objet Cette repr\u00e9sentation binaire compacte conf\u00e8re au En tant qu’axe structurel principal d’un Une mod\u00e9lisation computationnelle du temps sans ambigu\u00eft\u00e9 n\u00e9cessite une typologie formelle distinguant explicitement les diff\u00e9rents \u00e9tats de la temporalit\u00e9 physique. La th\u00e9orie sous-jacente \u00e0 Pandas repose sur une triade fondamentale : les rep\u00e8res ponctuels absolus (Timestamps<\/em>), les \u00e9carts de temps absolus (Timedeltas<\/em>) et les intervalles d’envergure calendaire (Periods<\/em>). Chacun de ces concepts r\u00e9sout une classe singuli\u00e8re de probl\u00e8mes math\u00e9matiques et analytiques au sein du traitement de s\u00e9ries temporelles.<\/p>\n Le Le choix d\u00e9lib\u00e9r\u00e9 entre ces abstractions conditionne directement la fid\u00e9lit\u00e9 des agr\u00e9gations et des calculs diff\u00e9rentiels. Confondre une dur\u00e9e physique invariable de vingt-quatre heures et une journ\u00e9e calendaire soumise aux ajustements du temps civil (comme les transitions entre heure d’hiver et d’\u00e9t\u00e9) introduit des discontinuit\u00e9s de mesure critiques. L’homog\u00e9n\u00e9it\u00e9 temporelle garantie par un constructeur comme L’invocation du constructeur g\u00e9n\u00e9rateur de plages temporelles s’effectue via l’interface fonctionnelle standard d\u00e9finie dans le module racine de la biblioth\u00e8que : Le principe fondamental gouvernant cette signature est la r\u00e8gle de surd\u00e9termination math\u00e9matique<\/em>. Afin d’instancier un intervalle temporel de mani\u00e8re univoque, le moteur d’\u00e9valuation impose au d\u00e9veloppeur de fixer exactement trois des quatre param\u00e8tres directeurs suivants : Par ailleurs, l’interface b\u00e9n\u00e9ficie d’une flexibilit\u00e9 syntaxique consid\u00e9rable gr\u00e2ce \u00e0 son m\u00e9canisme de conversion implicite (ou type coercion<\/em>). Les arguments scalaires repr\u00e9sentant des points d’ancrage peuvent \u00eatre fournis indistinctement sous la forme d’objets L’analyse vectorielle de la fonction implique une compr\u00e9hension fine des interactions dynamiques entre les quatre variables motrices. Le param\u00e8tre Le param\u00e8tre Enfin, le param\u00e8tre Au-del\u00e0 de son noyau arithm\u00e9tique, Le param\u00e8tre Enfin, le param\u00e8tre L’une des plus remarquables innovations architecturales de Pandas r\u00e9side dans son moteur de d\u00e9calage temporel incarn\u00e9 par la classe de base Ces alias de fr\u00e9quence reposent sur une structure compositionnelle avanc\u00e9e. Il est possible d’associer un multiplicateur scalaire entier \u00e0 n’importe quel identifiant de fr\u00e9quence pour \u00e9tendre son pas d’\u00e9chantillonnage de mani\u00e8re syst\u00e9matique. Ainsi, l’expression syntaxique En interne, Pandas r\u00e9sout ces alias en instanciant des objets hautement sp\u00e9cialis\u00e9s de l’espace de noms La transcription du temps physique dans les syst\u00e8mes computationnels se heurte in\u00e9vitablement \u00e0 des non-lin\u00e9arit\u00e9s naturelles et conventionnelles. Parmi ces obstacles figurent la variabilit\u00e9 de la longueur des mois du calendrier gr\u00e9gorien (comportant alternativement 28, 29, 30 ou 31 jours) et l’introduction p\u00e9riodique d’ann\u00e9es bissextiles r\u00e9gies par des r\u00e8gles s\u00e9culaires complexes. L’algorithme de Lors de l’application d’un pas d’incr\u00e9ment mensuel (comme Cette rigueur arithm\u00e9tique permet de maintenir l’invariance math\u00e9matique de l’\u00e9chantillonnage vectoriel. La m\u00e9thode \u00e9vite l’accumulation d’erreurs d’arrondi ou de glissements temporels, garantissant que chaque point d’ancrage conserve une validit\u00e9 contextuelle absolue, quelles que soient l’envergure chronologique et la densit\u00e9 de l’\u00e9chantillonnage requis.<\/p>\n Le cas d’usage le plus fr\u00e9quemment rencontr\u00e9 dans la pratique analytique consiste \u00e0 synth\u00e9tiser un continuum temporel ininterrompu reliant deux dates fixes pr\u00e9d\u00e9termin\u00e9es. Ce sc\u00e9nario canonique mobilise l’affectation conjointe des arguments Dans cette impl\u00e9mentation, les cha\u00eenes scalaires au format ISO-8601 d\u00e9limitent sans ambigu\u00eft\u00e9 un intervalle born\u00e9 recouvrant les dix premiers jours de l’ann\u00e9e 2020. Le compilateur de Pandas interpr\u00e8te ces valeurs comme des horodatages cal\u00e9s \u00e0 minuit pr\u00e9cis (00:00:00.000000000). Le moteur arithm\u00e9tique effectue alors une progression unitaire pas \u00e0 pas en incr\u00e9mentant la composante calendaire d’un pas journalier jusqu’\u00e0 atteindre exactement la borne sup\u00e9rieure sp\u00e9cifi\u00e9e.<\/p>\n L’objet r\u00e9sultant issu de cette invocation est un Une analyse approfondie de l’objet synth\u00e9tis\u00e9 \u00e0 l’aide des outils d’introspection de Python r\u00e9v\u00e8le l’architecture de bas niveau d\u00e9ploy\u00e9e par Pandas. L’interrogation de la propri\u00e9t\u00e9 L’attribut L’examen des bornes sup\u00e9rieure et inf\u00e9rieure au moyen des propri\u00e9t\u00e9s La g\u00e9n\u00e9ration d’une s\u00e9quence journali\u00e8re uniforme constitue une op\u00e9ration structurante dans de multiples disciplines scientifiques et industrielles. Dans l’ing\u00e9nierie financi\u00e8re, elle sert de substrat pour construire les matrices de s\u00e9ries temporelles de prix, permettant de r\u00e9indexer des carnets d’ordres ou des cotations de cours boursiers sur un calendrier exhaustif afin d’isoler explicitement les p\u00e9riodes de fermeture des bourses de valeurs.<\/p>\n Dans les protocoles de recherche \u00e9pid\u00e9miologique et clinique, ce continuum journalier est indispensable au suivi de cohortes. Il garantit que chaque patient ou sujet d’\u00e9tude dispose d’une trajectoire d’observations index\u00e9e sur un temps calendaire universel, facilitant l’agr\u00e9gation transversale d’indicateurs de sant\u00e9 mesur\u00e9s quotidiennement sans risque de d\u00e9synchronisation chronologique.<\/p>\n Enfin, dans les pipelines de pr\u00e9paration des donn\u00e9es (data cleaning<\/em>), ce vecteur agit comme une grille de r\u00e9f\u00e9rence absolue pour la d\u00e9tection syst\u00e9matique des valeurs manquantes. En r\u00e9alisant une jointure externe ou une r\u00e9indexation (reindexing<\/em>) d’un jeu de donn\u00e9es brut sur cette s\u00e9quence compl\u00e8te, les analystes mettent instantan\u00e9ment en lumi\u00e8re les ruptures de flux ou les d\u00e9faillances de capteurs par l’apparition de marqueurs Dans un nombre substantiel de cas d’usage math\u00e9matiques et d’ing\u00e9nierie, l’analyste ne dispose pas d’une fr\u00e9quence calendaire pr\u00e9d\u00e9termin\u00e9e, mais d’une enveloppe temporelle rigide \u00e0 l’int\u00e9rieur de laquelle il est n\u00e9cessaire de distribuer un nombre discret d’observations. Ce probl\u00e8me rel\u00e8ve formellement de la subdivision lin\u00e9aire d’un continuum compact au sens de la topologie m\u00e9trique.<\/p>\n Sur le plan math\u00e9matique, si nous d\u00e9signons par $T_{start}$<\/span> le point d’ancrage initial et par $T_{\\end}$<\/span> le point d’ancrage final, la sp\u00e9cification d’un nombre entier de p\u00e9riodes $N$<\/span> (repr\u00e9sent\u00e9 par l’argument $$\\Delta t = \\frac{T_{\\end} – T_{start}}{N – 1}$$<\/span><\/p>\n Chaque jalon temporel interm\u00e9diaire $T_i$<\/span> pour $i in {0, 1, dots, N-1}$<\/span> est alors d\u00e9termin\u00e9 par l’application stricte de la relation lin\u00e9aire $T_i = T_{start} + i \\cdot \\Delta t$<\/span>. Cette approche garantit la pr\u00e9servation d’une \u00e9quidistance m\u00e9trique parfaite entre l’ensemble des n\u0153uds g\u00e9n\u00e9r\u00e9s, bornes comprises, tout en transf\u00e9rant au moteur de calcul la charge de calculer la granularit\u00e9 sub-journali\u00e8re n\u00e9cessaire.<\/p>\n Pour illustrer ce m\u00e9canisme de partitionnement, consid\u00e9rons la division d’une plage temporelle de dix jours cons\u00e9cutifs en exactement trois jalons \u00e9quidistants. Dans cette configuration, les bornes L’ex\u00e9cution de ce fragment de code met en lumi\u00e8re l’\u00e9mergence de fractions temporelles intra-journali\u00e8res. En appliquant la formalisation mentionn\u00e9e pr\u00e9c\u00e9demment, l’\u00e9cart temporel total s\u00e9parant le premier janvier \u00e0 minuit du dix janvier \u00e0 minuit \u00e9quivaut exactement \u00e0 neuf jours r\u00e9volus (soit 216 heures). Divis\u00e9 par $(3 – 1) = 2$<\/span>, le pas d’incr\u00e9mentation d\u00e9riv\u00e9 s’\u00e9tablit pr\u00e9cis\u00e9ment \u00e0 4,5 jours, soit quatre jours et douze heures compl\u00e8tes.<\/p>\n La sortie standard g\u00e9n\u00e9r\u00e9e par Pandas refl\u00e8te fid\u00e8lement ce calcul arithm\u00e9tique :<\/p>\n Une observation critique s’impose quant \u00e0 la m\u00e9tadonn\u00e9e La d\u00e9composition d’un intervalle temporel en un nombre fini et constant d’instants d’observation est indispensable dans le champ des simulations stochastiques et des m\u00e9thodes de Monte-Carlo<\/a>. Lors de la r\u00e9solution d’\u00e9quations diff\u00e9rentielles stochastiques r\u00e9gissant l’\u00e9volution d’actifs financiers ou la diffusion de polluants atmosph\u00e9riques, l’algorithme d’Euler-Maruyama exige un partitionnement r\u00e9gulier du temps pour converger num\u00e9riquement vers la solution th\u00e9orique.<\/p>\n Ce proc\u00e9d\u00e9 est \u00e9galement pr\u00e9dominant dans le domaine du traitement du signal et de l’analyse cin\u00e9matique. Lorsqu’un instrument de mesure physique ne d\u00e9livre ses relev\u00e9s qu’\u00e0 intervalles arbitraires sur une fen\u00eatre temporelle fixe, la normalisation des signaux \u00e0 travers une grille uniforme de $N$<\/span> points permet d’appliquer sans distorsion des algorithmes de transformation spectrale, tels que la transform\u00e9e de Fourier rapide (FFT).<\/p>\n Enfin, en apprentissage automatique supervis\u00e9 appliqu\u00e9 aux s\u00e9ries temporelles, cette technique r\u00e9sout l’\u00e9pineux probl\u00e8me de l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 structurelle des s\u00e9quences d’entr\u00e9e. En for\u00e7ant la projection de s\u00e9ries chronologiques de longueurs d’enregistrement variables sur des vecteurs de dimension cardinale uniforme, elle autorise la construction de tenseurs d’entra\u00eenement directement compatibles avec les architectures de r\u00e9seaux de neurones r\u00e9currents (RNN) ou de transformeurs temporels.<\/p>\n Les r\u00e9alit\u00e9s op\u00e9rationnelles de l’\u00e9conomie, de la comptabilit\u00e9 d’entreprise et de la logistique industrielle ne suivent que tr\u00e8s rarement un cours journalier ininterrompu. Elles ob\u00e9issent \u00e0 des rythmes institutionnels stricts imposant l’exclusion de p\u00e9riodes sp\u00e9cifiques ou la focalisation sur des points d’inflexion calendaires d\u00e9termin\u00e9s. L’utilisation d’alias de fr\u00e9quence avanc\u00e9s au sein de Consid\u00e9rons l’\u00e9chantillonnage exclusif des jours ouvr\u00e9s (Business Days<\/em>) sur un intervalle temporel de plusieurs semaines, en conjonction avec un g\u00e9n\u00e9rateur cal\u00e9 sur des cl\u00f4tures hebdomadaires strictes positionn\u00e9es sur un jour d\u00e9termin\u00e9 de la semaine :<\/p>\n Dans ce segment de script, l’alias L’observation empirique des s\u00e9quences g\u00e9n\u00e9r\u00e9es r\u00e9v\u00e8le des divergences structurelles substantielles quant \u00e0 la s\u00e9lection et \u00e0 l’inclusion des points limites. Dans le cas de la variable De m\u00eame, l’analyse comparative des vecteurs Bien que les arguments L’application rigoureuse de ces fr\u00e9quences sp\u00e9cialis\u00e9es s’av\u00e8re indispensable \u00e0 la gestion des rythmes comptables et financiers. La pr\u00e9paration des \u00e9tats de cl\u00f4ture mensuels, trimestriels (via les alias Dans le domaine du marketing num\u00e9rique et du commerce \u00e9lectronique, les campagnes transactionnelles sont largement cal\u00e9es sur des fr\u00e9quences hebdomadaires strictes. La capacit\u00e9 \u00e0 projeter une grille temporelle sur un jour fixe (tel que le vendredi avec l’alias Enfin, au sein des architectures logistiques et de gestion des cha\u00eenes d’approvisionnement (Supply Chain<\/em>), l’alias Dans le traitement computationnel moderne, l’absence de formalisation explicite du r\u00e9f\u00e9rentiel spatial temporel constitue l’une des sources les plus prolifiques d’anomalies syst\u00e9miques. Un instantan\u00e9 temporel d\u00e9pourvu de son ancrage g\u00e9ographique est qualifi\u00e9 d’horodatage \u00ab na\u00eff \u00bb (ou timezone-naive<\/em>). Deux horodatages na\u00effs identiques peuvent d\u00e9signer des \u00e9v\u00e9nements survenus \u00e0 des moments physiques radicalement disjoints si l’un a \u00e9t\u00e9 capt\u00e9 \u00e0 Tokyo et l’autre \u00e0 San Francisco. Pour \u00e9liminer tout relativisme observationnel, l’ing\u00e9nierie des donn\u00e9es impose le recours syst\u00e9matique aux horodatages \u00ab localis\u00e9s \u00bb (ou timezone-aware<\/em>), arrim\u00e9s sur le Temps Universel Coordonn\u00e9 (UTC<\/a>) ou sur la nomenclature normalis\u00e9e de la base de donn\u00e9es IANA<\/a> (Internet Assigned Numbers Authority<\/em>).<\/p>\n La fonction L’inspection du vecteur r\u00e9sultant montre que le type sous-jacent est automatiquement promu au format sp\u00e9cialis\u00e9 La complexit\u00e9 majeure des calendriers civils r\u00e9side dans l’existence des transitions saisonni\u00e8res entre l’heure standard et l’heure d’avanc\u00e9e (r\u00e9gime d’heure d’\u00e9t\u00e9\/heure d’hiver ou Daylight Saving Time<\/em> – DST). Ces ajustements politiques introduisent deux anomalies math\u00e9matiques graves sur la ligne temporelle locale : les heures non existantes (lors du saut d’une heure vers l’avant au printemps) et les heures ambigu\u00ebs (lors du retour d’une heure en arri\u00e8re \u00e0 l’automne, durant lequel la m\u00eame heure civile s’\u00e9coule deux fois de suite).<\/p>\n Lors de la cr\u00e9ation d’une plage temporelle au pas horaire \u00e0 travers une fen\u00eatre de transition DST, l’absence de directives claires peut d\u00e9clencher une exception de type L’observation attentive du vecteur En math\u00e9matiques fondamentales, la nature topologique d’un intervalle de la droite r\u00e9elle influe directement sur les propri\u00e9t\u00e9s des fonctions qui y sont d\u00e9finies. Un intervalle d\u00e9limit\u00e9 par deux bornes r\u00e9elles $a$<\/span> et $b$<\/span> (avec $a < b$<\/span>) peut adopter quatre configurations d’ouverture ou de fermeture : le segment ferm\u00e9 $[a, b]$<\/span>, l’intervalle ouvert $]a, b[$<\/span>, et les intervalles semi-ouverts $[a, b[$<\/span> ou $]a, b]$<\/span>. Cette rigueur ensembliste s’applique avec une force identique \u00e0 l’\u00e9chantillonnage temporel.<\/p>\n Historiquement, Pandas g\u00e9rait cette granularit\u00e9 via le param\u00e8tre pandas.date_range()<\/code>. Loin d’\u00eatre un simple utilitaire d’it\u00e9ration num\u00e9rique analogue \u00e0 la primitive native range()<\/code> de Python, cette interface constitue un moteur sophistiqu\u00e9 de discr\u00e9tisation temporelle vectorielle, intimement coupl\u00e9 aux acc\u00e9l\u00e9rations bas niveau offertes par les tableaux contigus en m\u00e9moire C de NumPy<\/a>.<\/p>\n1. Fondements th\u00e9oriques des s\u00e9ries temporelles et indexation chronologique dans Pandas<\/h2>\n
1.1 \u00c9mergence de la dimension temporelle dans l’analyse computationnelle<\/h3>\n
1.2 L’objet DatetimeIndex au c\u0153ur de l’architecture Pandas<\/h3>\n
DatetimeIndex<\/code>. D’un point de vue architectural, le DatetimeIndex<\/code> n’est pas une simple collection de structures de dates Python de haut niveau, mais un wrapper sophistiqu\u00e9 encapsulant un tableau NumPy contigu en m\u00e9moire, typ\u00e9 de mani\u00e8re stricte sous le format datetime64[ns]<\/code><\/a>. Ce format sous-jacent encode chaque point temporel comme un entier sign\u00e9 de 64 bits repr\u00e9sentant le nombre de nanosecondes \u00e9coul\u00e9es depuis l’\u00e9poque POSIX, fix\u00e9e conventionnellement au premier janvier 1970 \u00e0 z\u00e9ro heure UTC.<\/p>\nDatetimeIndex<\/code> une efficacit\u00e9 computationnelle inaccessible aux structures natives. L’empreinte m\u00e9moire est drastiquement r\u00e9duite par rapport \u00e0 un tableau d’objets dynamiques, et l’alignement vectoriel b\u00e9n\u00e9ficie directement des instructions SIMD (Single Instruction, Multiple Data<\/em>) support\u00e9es par les architectures mat\u00e9rielles modernes. De surcro\u00eet, le DatetimeIndex<\/code> met en \u0153uvre des m\u00e9canismes de recherche dichotomique optimis\u00e9s en temps logarithmique pour les requ\u00eates par plage, exploitant la garantie formelle de monotonicit\u00e9 croissante que pr\u00e9sentent g\u00e9n\u00e9ralement les s\u00e9ries ordonn\u00e9es.<\/p>\nDataFrame<\/code>, le DatetimeIndex<\/code> dote la structure de donn\u00e9es d’une conscience temporelle. Il rend possibles des manipulations contextuelles avanc\u00e9es, telles que l’acc\u00e8s par dates partielles, le d\u00e9coupage s\u00e9mantique sans manipulation directe d’indices entiers, et le r\u00e9\u00e9chantillonnage continu d’espaces discrets sans risque d’alt\u00e9ration de la topologie des donn\u00e9es sources.<\/p>\n1.3 Taxonomie des repr\u00e9sentations temporelles : points d’ancrage versus dur\u00e9es<\/h3>\n
Timestamp<\/code> correspond \u00e0 un point g\u00e9om\u00e9trique sur la ligne continue du temps, un instant infinit\u00e9simal localis\u00e9 avec une pr\u00e9cision sub-seconde. \u00c0 l’oppos\u00e9, le Timedelta<\/code> quantifie une mesure de dur\u00e9e relative sans attachement contextuel \u00e0 une \u00e9poque donn\u00e9e, incarnant l’op\u00e9rateur de translation spatio-temporelle susceptible d’\u00eatre ajout\u00e9 ou retranch\u00e9 d’un point d’ancrage pour engendrer un nouvel \u00e9tat temporel. Enfin, l’objet Period<\/code> formalise un cadre d’observation d\u00e9limit\u00e9 dans le calendrier civil ou commercial \u2014 tel qu’un trimestre financier sp\u00e9cifique ou un mois donn\u00e9 \u2014 o\u00f9 l’accent n’est pas mis sur un instant pr\u00e9cis mais sur l’int\u00e9gralit\u00e9 d’un intervalle clos.<\/p>\npandas.date_range()<\/code> s’appuie pr\u00e9cis\u00e9ment sur cette distinction conceptuelle pour engendrer des s\u00e9quences rigoureusement coh\u00e9rentes.<\/p>\n2. Signature formelle et analyse param\u00e9trique de la fonction pandas.date_range()<\/h2>\n
2.1 D\u00e9finition de l’interface fonctionnelle et contraintes syntaxiques<\/h3>\n
pandas.date_range()<\/code><\/a>. L’inspection formelle de sa signature met en \u00e9vidence une structure param\u00e9trique hautement articul\u00e9e, r\u00e9gie par des axiomes d’ind\u00e9pendance et de compl\u00e9tude alg\u00e9brique. Sa signature canonique peut \u00eatre repr\u00e9sent\u00e9e sous la forme synth\u00e9tique suivante :<\/p>\npandas.date_range(start=None, end=None, periods=None, freq=None, tz=None, normalize=False, name=None, inclusive='both', unit=None, **kwargs)<\/code><\/p>\nstart<\/code>, end<\/code>, periods<\/code> et freq<\/code>. D\u00e9finir simultan\u00e9ment l’ensemble de ces quatre arguments provoquerait une contradiction logique potentielle dans le calcul de la progression arithm\u00e9tique, d\u00e9clenchant instantan\u00e9ment une exception de type ValueError<\/code> \u00e9mise par le compilateur interne de Pandas.<\/p>\ndatetime.datetime<\/code> natifs, d’instances de numpy.datetime64<\/code>, d’objets Timestamp<\/code> pr\u00e9existants ou, plus couramment, de cha\u00eenes de caract\u00e8res conformes aux sp\u00e9cifications de la norme internationale ISO-8601<\/a>. Le moteur interne analyse et convertit de mani\u00e8re transparente ces entr\u00e9es sans d\u00e9grader les performances globales de l’op\u00e9ration.<\/p>\n2.2 R\u00f4les respectifs des param\u00e8tres directeurs : start, end, periods et freq<\/h3>\n
start<\/code> agit conceptuellement comme la borne inf\u00e9rieure de l’intervalle d’\u00e9chantillonnage, fournissant le point de d\u00e9part g\u00e9od\u00e9sique sur la ligne temporelle. \u00c0 l’inverse, l’argument end<\/code> formalise le vecteur terminal au-del\u00e0 duquel l’algorithme d’expansion incr\u00e9mentale ne saurait progresser sans violer la condition de confinement sp\u00e9cifi\u00e9e par l’utilisateur.<\/p>\nperiods<\/code> introduit quant \u00e0 lui une contrainte de cardinalit\u00e9 discr\u00e8te. Exprim\u00e9 sous la forme d’un entier strictement positif, il indique au syst\u00e8me le nombre exact de jalons temporels qui doivent imp\u00e9rativement composer la structure vectorielle finale. Lorsqu’il est combin\u00e9 avec start<\/code> et end<\/code>, il contraint le syst\u00e8me \u00e0 d\u00e9river de mani\u00e8re analytique le pas d’incr\u00e9mentation sous-jacent.<\/p>\nfreq<\/code> incarne l’op\u00e9rateur d’incr\u00e9ment p\u00e9riodique. Il peut \u00eatre instanci\u00e9 sous la forme d’un objet formel DateOffset<\/code> ou, plus couramment, via des alias de cha\u00eenes de caract\u00e8res normalis\u00e9s. S’il n’est pas renseign\u00e9 mais que les bornes start<\/code> et end<\/code> sont d\u00e9finies conjointement avec l’omission de periods<\/code>, le compilateur applique par d\u00e9faut la fr\u00e9quence journali\u00e8re civile (not\u00e9e 'D'<\/code>). Cette modularit\u00e9 param\u00e9trique permet \u00e0 la fonction de basculer dynamiquement entre une g\u00e9n\u00e9ration par progression arithm\u00e9tique \u00e0 pas constant et une interpolation g\u00e9om\u00e9trique d’intervalles ferm\u00e9s.<\/p>\n2.3 Param\u00e8tres auxiliaires : normalisation et gestion des inclusions<\/h3>\n
pandas.date_range()<\/code> incorpore des modificateurs contextuels con\u00e7us pour affiner la topologie de la s\u00e9quence g\u00e9n\u00e9r\u00e9e. Le param\u00e8tre bool\u00e9en normalize<\/code> r\u00e9pond \u00e0 la probl\u00e9matique r\u00e9currente des d\u00e9calages intra-journaliers parasites. Lorsqu’il est positionn\u00e9 sur la valeur True<\/code>, l’algorithme applique une op\u00e9ration de projection arithm\u00e9tique qui r\u00e9initialise la composante horaire des bornes start<\/code> et end<\/code> \u00e0 minuit pr\u00e9cis (00:00:00) avant de d\u00e9buter l’expansion vectorielle. Cette pr\u00e9caution neutralise les d\u00e9rives horaires r\u00e9siduelles issues de processus d’acquisition automatis\u00e9s.<\/p>\ninclusive<\/code>, venu remplacer l’ancien argument d\u00e9pr\u00e9ci\u00e9 closed<\/code> depuis les versions r\u00e9centes de la biblioth\u00e8que, offre un contr\u00f4le absolu sur la fermeture topologique de l’intervalle g\u00e9n\u00e9r\u00e9. Prenant pour valeurs admises 'both'<\/code>, 'neither'<\/code>, 'left'<\/code> ou 'right'<\/code>, il autorise l’exclusion stricte ou l’inclusion des points limites conform\u00e9ment aux axiomes de la th\u00e9orie des ensembles r\u00e9els. Par d\u00e9faut, la topologie est configur\u00e9e sur 'both'<\/code>, fermant l’intervalle \u00e0 ses deux extr\u00e9mit\u00e9s.<\/p>\nname<\/code> permet d’assigner une \u00e9tiquette m\u00e9tadonn\u00e9e immuable \u00e0 l’axe temporel r\u00e9sultant. Cette propri\u00e9t\u00e9 s’av\u00e8re particuli\u00e8rement utile lors de la conversion ult\u00e9rieure de la s\u00e9quence en s\u00e9rie ou lors de l’int\u00e9gration du DatetimeIndex<\/code> en tant qu’identifiant de dimension au sein d’un tableau \u00e0 multiples dimensions ou d’un mod\u00e8le relationnel distribu\u00e9.<\/p>\n3. Algorithmes de g\u00e9n\u00e9ration d’intervalles et r\u00e9solution des fr\u00e9quences<\/h2>\n
3.1 La m\u00e9canique des alias de fr\u00e9quence (Offset Aliases)<\/h3>\n
DateOffset<\/code> et sa constellation d’alias textuels. Contrairement \u00e0 une simple addition arithm\u00e9tique de nanosecondes, le moteur d’offsets int\u00e8gre les r\u00e8gles non lin\u00e9aires complexes de la m\u00e9trologie humaine et des conventions calendaires internationales. L’utilisation d’alias alphanum\u00e9riques tels que 'B'<\/code> (jours ouvrables), 'MS'<\/code> (premier jour du mois) ou 'QS'<\/code> (d\u00e9but de trimestre) traduit ces conventions en algorithmes d\u00e9terministes d’avancement temporel.<\/p>\n'2h30min'<\/code> ou '3D'<\/code> instancie des g\u00e9n\u00e9rateurs dont l’incr\u00e9ment p\u00e9riodique respecte rigoureusement la m\u00e9trique indiqu\u00e9e, calculant les transitions de mani\u00e8re transparente \u00e0 travers les fronti\u00e8res d’heures ou de journ\u00e9es.<\/p>\npandas.tseries.offsets<\/code>. Cette conception garantit une harmonisation parfaite entre les calculs r\u00e9gis par le temps civil continu et ceux gouvern\u00e9s par des r\u00e8gles institutionnelles, comme l’\u00e9vitement syst\u00e9matique des jours ch\u00f4m\u00e9s dans les mod\u00e8les d’analyse financi\u00e8re de march\u00e9.<\/p>\n3.2 Traitement de l’ambigu\u00eft\u00e9 temporelle et coh\u00e9rence math\u00e9matique<\/h3>\n
pandas.date_range()<\/code> r\u00e9sout ces discontinuit\u00e9s en pr\u00e9servant invariablement l’int\u00e9grit\u00e9 de la logique d’ancrage sp\u00e9cifi\u00e9e.<\/p>\nfreq='M'<\/code>), l’algorithme ne se contente pas d’ajouter une quantit\u00e9 fixe de 30 jours, ce qui induirait une d\u00e9rive cumulative rapide. Au lieu de cela, il recalcule dynamiquement le dernier micro-instant valide du mois cible en tenant compte du statut bissextile exact de l’ann\u00e9e observ\u00e9e. Ainsi, une it\u00e9ration d\u00e9marrant le 31 janvier progressera rigoureusement vers le 28 f\u00e9vrier (ou le 29 f\u00e9vrier pour une ann\u00e9e bissextile), avant de converger vers le 31 mars.<\/p>\n4. Exemple 1 : Cr\u00e9ation d’une plage de dates par jours cons\u00e9cutifs<\/h2>\n
4.1 Mise en \u0153uvre du sc\u00e9nario canonique start-end avec fr\u00e9quence quotidienne<\/h3>\n
start<\/code> et end<\/code>, le param\u00e8tre freq<\/code> adoptant implicitement la valeur journali\u00e8re standard 'D'<\/code> en l’absence de sp\u00e9cification contraire. Examinons le code source illustrant la concr\u00e9tisation de cette approche :<\/p>\nimport pandas as pd<\/code>
\nplage_journaliere = pd.date_range(start='2020-01-01', end='2020-01-10', freq='D')<\/code>
\nprint(plage_journaliere)<\/code><\/p>\nDatetimeIndex<\/code> comportant exactement dix \u00e9l\u00e9ments distincts. Chaque n\u0153ud de l’index incarne un point g\u00e9om\u00e9trique cons\u00e9cutif, sans omission ni d\u00e9rive horaire, instanciant un vecteur canonique parfaitement pr\u00eat \u00e0 servir d’axe d’\u00e9valuation chronologique.<\/p>\n4.2 Examen minutieux de l’objet produit en m\u00e9moire<\/h3>\n
dtype<\/code> confirme que le vecteur repose sur le type scalaire datetime64[ns]<\/code>. Chaque observation est stock\u00e9e sous la forme d’un entier direct en m\u00e9moire, \u00e9cartant la surcharge li\u00e9e aux m\u00e9tadonn\u00e9es des objets Python standards et garantissant une vitesse d’it\u00e9ration et de recherche optimale :<\/p>\nprint(plage_journaliere.dtype) # R\u00e9sultat: datetime64[ns]<\/code>
\nprint(plage_journaliere.freqstr) # R\u00e9sultat: 'D'<\/code>
\nprint(plage_journaliere.shape) # R\u00e9sultat: (10,)<\/code><\/p>\nfreqstr<\/code> renvoie fid\u00e8lement la cha\u00eene 'D'<\/code>, t\u00e9moignant du fait que l’index a conserv\u00e9 la m\u00e9moire m\u00e9trologique de sa r\u00e9gularit\u00e9 interne. Cette caract\u00e9ristique est fondamentale : un DatetimeIndex<\/code> conscient de sa fr\u00e9quence intrins\u00e8que permet \u00e0 Pandas de court-circuiter les algorithmes de recherche lin\u00e9aire pour employer des calculs d’indexation directe en temps constant $O(1)$<\/span> lors de la s\u00e9lection d’enregistrements sp\u00e9cifiques.<\/p>\nplage_journaliere[0]<\/code> et plage_journaliere[-1]<\/code> valide l’exactitude absolue des points de contact. Les valeurs retourn\u00e9es correspondent pr\u00e9cis\u00e9ment \u00e0 Timestamp('2020-01-01 00:00:00')<\/code> et Timestamp('2020-01-10 00:00:00')<\/code>, mat\u00e9rialisant la stricte fermeture bilat\u00e9rale de l’intervalle.<\/p>\n4.3 Applications concr\u00e8tes de l’\u00e9chantillonnage journalier continu<\/h3>\n
NaN<\/code> sur les journ\u00e9es non document\u00e9es.<\/p>\n5. Exemple 2 : G\u00e9n\u00e9ration d’intervalles temporels \u00e9quidistants via le param\u00e8tre periods<\/h2>\n
5.1 Formalisation math\u00e9matique de la division d’intervalle ferm\u00e9<\/h3>\n
periods=N<\/code> avec $N ge 2$<\/span>) impose une r\u00e9solution de pas diff\u00e9rentiel constant $\\Delta t$<\/span> r\u00e9gi par l’\u00e9quation de distribution suivante :<\/p>\n5.2 Mise en pratique : segmentation d’un intervalle de dix jours en trois points<\/h3>\n
start<\/code> et end<\/code> sont fix\u00e9es en parall\u00e8le de la cardinalit\u00e9 periods=3<\/code>, le param\u00e8tre freq<\/code> \u00e9tant quant \u00e0 lui explicitement omis :<\/p>\nimport pandas as pd<\/code>
\nplage_partitionnee = pd.date_range(start='1\/1\/2020', end='1\/10\/2020', periods=3)<\/code>
\nprint(plage_partitionnee)<\/code><\/p>\nDatetimeIndex(['2020-01-01 00:00:00', '2020-01-05 12:00:00', '2020-01-10 00:00:00'], dtype='datetime64[ns]', freq=None)<\/code><\/p>\nfreq<\/code> de l’objet r\u00e9sultant. Contrairement \u00e0 l’exemple pr\u00e9c\u00e9dent, celle-ci adopte d\u00e9sormais la valeur None<\/code>. Ce comportement d\u00e9coule du fait que le pas calcul\u00e9 (108 heures) ne correspond \u00e0 aucun alias de fr\u00e9quence standardis\u00e9 simple r\u00e9pertori\u00e9 dans la nomenclature officielle de Pandas, privant le conteneur de sa labellisation d’offset symbolique sans pour autant d\u00e9grader la pr\u00e9cision nanoseconde de ses coordonn\u00e9es vectorielles.<\/p>\n5.3 Contextes d’utilisation de la discr\u00e9tisation par nombre fixe de p\u00e9riodes<\/h3>\n
6. Exemple 3 : D\u00e9finition de plages temporelles avec des alias de fr\u00e9quence sp\u00e9cifiques<\/h2>\n
6.1 Impl\u00e9mentation d’une fr\u00e9quence calendaire complexe (jours ouvr\u00e9s et semaines)<\/h3>\n
pandas.date_range()<\/code> r\u00e9sout nativement cette complexit\u00e9 sans exiger de post-filtrages it\u00e9ratifs fastidieux.<\/p>\nimport pandas as pd<\/code>
\n# Plage restreinte aux jours ouvr\u00e9s (exclusion des samedis et dimanches)<\/code>
\njours_ouvres = pd.date_range(start='2020-01-01', end='2020-01-15', freq='B')<\/code><\/p>\n# Plage hebdomadaire ancr\u00e9e chaque mercredi sp\u00e9cifique<\/code>
\nancrage_hebdo = pd.date_range(start='2020-01-01', end='2020-02-01', freq='W-WED')<\/code><\/p>\n# Plages de fin et de d\u00e9but de mois civils<\/code>
\nfins_de_mois = pd.date_range(start='2020-01-01', end='2020-06-01', freq='M')<\/code>
\ndebuts_de_mois = pd.date_range(start='2020-01-01', end='2020-06-01', freq='MS')<\/code><\/p>\n'B'<\/code> commande au moteur de g\u00e9n\u00e9ration d’\u00e9vincer automatiquement les fins de semaine gr\u00e9goriennes (samedis et dimanches). La sp\u00e9cification 'W-WED'<\/code> instancie une r\u00e8gle de calcul param\u00e9tr\u00e9e for\u00e7ant chaque saut temporel \u00e0 converger exclusivement vers le prochain mercredi calendaire. Quant aux directives 'M'<\/code> (Month End<\/em>) et 'MS'<\/code> (Month Start<\/em>), elles illustrent la diff\u00e9renciation topologique fondamentale entre la capture des derniers et des premiers micro-instants de chaque cycle mensuel.<\/p>\n6.2 Analyse comparative des r\u00e9sultats selon les alias de fr\u00e9quence<\/h3>\n
jours_ouvres<\/code>, les dates du 4, 5, 11 et 12 janvier 2020 (correspondant aux week-ends) sont rigoureusement absentes de la s\u00e9quence. Si la date assign\u00e9e au param\u00e8tre end<\/code> tombait un dimanche, elle serait syst\u00e9matiquement omise de l’index r\u00e9sultant, car non conforme \u00e0 la r\u00e8gle d’\u00e9ligibilit\u00e9 induite par l’alias de fr\u00e9quence.<\/p>\nfins_de_mois<\/code> et debuts_de_mois<\/code> met en lumi\u00e8re l’impact direct du choix d’ancrage :<\/p>\nprint(fins_de_mois)<\/code>
\n# D\u00e9bute au '2020-01-31' et s'ach\u00e8ve au '2020-05-31'<\/code><\/p>\nprint(debuts_de_mois)<\/code>
\n# D\u00e9bute au '2020-01-01' et s'ach\u00e8ve au '2020-06-01'<\/code><\/p>\nstart<\/code> et end<\/code> soient rigoureusement identiques dans les deux appels, la premi\u00e8re date retenue par la s\u00e9quence 'M'<\/code> n’est pas le premier janvier mais bien le 31 janvier, date correspondant \u00e0 la premi\u00e8re fin de mois valide survenant \u00e0 l’int\u00e9rieur de l’enveloppe sp\u00e9cifi\u00e9e. Ce comportement d\u00e9coule du respect strict de la s\u00e9mantique de l’offset : un point temporel ne peut figurer dans l’index que s’il co\u00efncide exactement avec la condition de d\u00e9clenchement de la r\u00e8gle calendaire d\u00e9sign\u00e9e.<\/p>\n6.3 Sc\u00e9narios appliqu\u00e9s aux rythmes \u00e9conomiques et op\u00e9rationnels<\/h3>\n
'Q'<\/code> ou 'QS'<\/code>) ou annuels ('A'<\/code> ou 'AS'<\/code>) impose un alignement parfait sur les derniers jours des exercices l\u00e9gaux. Toute approximation manuelle introduirait des \u00e9carts m\u00e9thodologiques susceptibles de fausser les calculs de d\u00e9pr\u00e9ciation ou la reconnaissance comptable des revenus.<\/p>\n'W-FRI'<\/code>) simplifie consid\u00e9rablement le calcul d’indicateurs de performance par cohorte hebdomadaire et la comparaison relative d’une semaine sur l’autre.<\/p>\n'B'<\/code> sert de base fondamentale au dimensionnement des capacit\u00e9s de fret. Les flux d’entrep\u00f4t et les plannings de transport maritime ou ferroviaire \u00e9tant majoritairement suspendus le week-end, la planification pr\u00e9dictive sur un calendrier de jours ouvr\u00e9s pr\u00e9vient la g\u00e9n\u00e9ration d’ordres d’exp\u00e9dition aberrants durant les p\u00e9riodes d’inactivit\u00e9 op\u00e9rationnelle.<\/p>\n7. Gestion rigoureuse des fuseaux horaires (Timezones) et du temps universel coordonn\u00e9<\/h2>\n
7.1 L’importance \u00e9pist\u00e9mique de l’horodatage universel dans le traitement de donn\u00e9es<\/h3>\n
pandas.date_range()<\/code> prend en charge nativement cette localisation via son param\u00e8tre tz<\/code>. Ce dernier accepte indistinctement une cha\u00eene de d\u00e9signation de fuseau standard (telle que 'UTC'<\/code>, 'Europe\/Paris'<\/code> ou 'America\/New_York'<\/code>) ou des instances directes de fuseaux issues des biblioth\u00e8ques zoneinfo<\/code> ou pytz<\/code> :<\/p>\nimport pandas as pd<\/code>
\nplage_utc = pd.date_range(start='2020-01-01', periods=5, freq='D', tz='UTC')<\/code>
\nplage_paris = pd.date_range(start='2020-01-01', periods=5, freq='D', tz='Europe\/Paris')<\/code><\/p>\ndatetime64[ns, UTC]<\/code> ou datetime64[ns, Europe\/Paris]<\/code>. L’index conserve ainsi une tra\u00e7abilit\u00e9 immuable de son d\u00e9calage horaire (offset UTC<\/em>), \u00e9liminant toute incertitude lors de la fusion ult\u00e9rieure de flux d’informations distribu\u00e9s \u00e0 l’\u00e9chelle plan\u00e9taire.<\/p>\n7.2 Gestion des discontinuit\u00e9s li\u00e9es aux transitions d’heure d’\u00e9t\u00e9 et d’hiver<\/h3>\n
NonExistentTimeError<\/code> ou AmbiguousTimeError<\/code>. Pour conjurer ces blocages, l’ing\u00e9nieur doit adopter des strat\u00e9gies pr\u00e9ventives adapt\u00e9es :<\/p>\nimport pandas as pd<\/code>
\n# G\u00e9n\u00e9ration s\u00e9curis\u00e9e \u00e0 travers la transition printani\u00e8re (heure inexistante absorb\u00e9e)<\/code>
\nplage_transition = pd.date_range(start='2020-03-29 01:00:00', periods=4, freq='h', tz='Europe\/Paris')<\/code>
\nprint(plage_transition)<\/code><\/p>\nplage_transition<\/code> r\u00e9v\u00e8le que le moteur de Pandas g\u00e8re la discontinuit\u00e9 en faisant glisser de mani\u00e8re rigoureuse le marqueur de d\u00e9calage temporel : l’instant passe instantan\u00e9ment de 01:00:00+01:00<\/code> \u00e0 03:00:00+02:00<\/code>. La transition s’op\u00e8re sans rupture de la continuit\u00e9 physique sous-jacente, d\u00e9montrant l’indispensable valeur ajout\u00e9e de la mod\u00e9lisation IANA int\u00e9gr\u00e9e par rapport \u00e0 une manipulation empirique de dates scalaires.<\/p>\n8. Topologie des bornes : manipulation avanc\u00e9e du param\u00e8tre inclusive<\/h2>\n
8.1 Th\u00e9orie des ensembles appliqu\u00e9e aux intervalles temporels<\/h3>\n
closed<\/code>, dont la syntaxe pr\u00e9sentait toutefois certaines ambigu\u00eft\u00e9s d’interpr\u00e9tation. Depuis les versions 1.4+, l’API a clarifi\u00e9 formellement cette s\u00e9mantique en introduisant le param\u00e8tre normalis\u00e9 inclusive<\/code>. Les quatre cha\u00eenes scalaires admises gouvernent sans \u00e9quivoque l’appartenance des points de fronti\u00e8re :<\/p>\n\n
'both'<\/code> : correspond \u00e0 la topologie ferm\u00e9e