HOWTO · NumPy

Convertir un tableau NumPy en tuple

Il existe deux méthodes principales qui peuvent être utilisées pour convertir un tableau NumPy en tuples en Python, la fonction tuple() et la fonction map().

Sur cette page

Convertir un tableau NumPy avec la fonction intégrée tuple() de Python. Pour un tableau unidimensionnel, tuple(array) crée un tuple contenant ses éléments. Pour un tableau bidimensionnel, convertissez également chaque ligne si vous avez besoin de tuples imbriqués. Les exemples ci-dessous montrent ces deux structures et une solution de remplacement avec map().

Convertir un tableau NumPy 1D en tuple

tuple() parcourt un itérable et place les éléments qu’il produit dans un tuple. Un tableau NumPy unidimensionnel produit ses valeurs lorsqu’on le parcourt ; le passer directement à tuple() donne donc un tuple plat. L’exemple suivant utilise des entiers NumPy ; leur représentation affichée peut varier selon la version de NumPy.

Exécutez cet exemple :

Le code et les libellés ou sorties affichés dans cette section restent en anglais.

import numpy as np

array = np.array([10, 20, 30])
result = tuple(array)
print(result)
(np.int64(10), np.int64(20), np.int64(30))

Convertir un tableau NumPy 2D en tuples imbriqués

Le parcours d’un tableau bidimensionnel produit des lignes. Par conséquent, tuple(matrix) crée un tuple externe dont les éléments sont encore des tableaux de lignes NumPy. Pour convertir aussi les lignes, passez chacune d’elles à tuple(). Le résultat conserve le regroupement d’origine des lignes et des colonnes.

Le code et les libellés ou sorties affichés dans cette section restent en anglais.

import numpy as np

matrix = np.array([[1, 2], [3, 4]])
result = tuple(tuple(row) for row in matrix)
print(result)
((np.int64(1), np.int64(2)), (np.int64(3), np.int64(4)))

La compréhension effectue la conversion interne une fois pour chaque ligne, puis le tuple() externe rassemble ces tuples de lignes. L’affichage des scalaires NumPy peut varier selon la version.

Utiliser map() pour convertir chaque ligne

Vous pouvez exprimer la même opération ligne par ligne avec map(tuple, matrix). En Python, map() renvoie un itérateur ; enveloppez-le donc dans tuple() pour matérialiser toutes les lignes converties. C’est une solution concise lorsque l’opération consiste simplement à appliquer tuple() à chaque ligne.

Le code et les libellés ou sorties affichés dans cette section restent en anglais.

import numpy as np

matrix = np.array([[1, 2], [3, 4]])
result = tuple(map(tuple, matrix))
print(result)
((np.int64(1), np.int64(2)), (np.int64(3), np.int64(4)))

Ici, map() convertit les lignes, et non chaque valeur scalaire. Pour convertir les valeurs une par une, utilisez une autre expression, par exemple tuple(int(value) for value in array) pour convertir en entiers Python les valeurs d’un tableau unidimensionnel. Le choix dépend de ce que vous voulez convertir : les lignes ou les valeurs.

Choisir une conversion adaptée au résultat souhaité

Utilisez tuple(array) pour obtenir une séquence plate à partir d’un tableau unidimensionnel. Pour un tableau bidimensionnel, utilisez une conversion imbriquée comme tuple(tuple(row) for row in matrix) ou son équivalent avec map() si vous voulez que chaque ligne reste un tuple distinct. Ces formes préservent le regroupement des valeurs par ligne.

Les tuples ne conservent pas les propriétés d’un tableau NumPy, comme l’attribut shape ou les opérations sur les tableaux. Leur imbrication reflète les lignes converties, mais ne constitue pas les métadonnées de forme d’un tableau NumPy. Aplatir le tableau avec une méthode de tableau est une option si votre tâche nécessite une séquence unique contenant toutes les valeurs ; cela modifie la structure en supprimant le regroupement par ligne. Ce n’est pas nécessaire pour créer des tuples imbriqués.

Par ailleurs, convertir un tableau en tuple ne garantit pas que chaque élément devienne un scalaire Python natif. Les valeurs NumPy peuvent rester des objets scalaires NumPy. Effectuez une conversion explicite, telle que int(), uniquement si le code qui suit exige ce type, et choisissez une conversion adaptée aux valeurs concernées. La représentation affichée des scalaires NumPy peut varier selon la version.