4. Fonctions#

4.1. Vue d’ensemble#

Les fonctions sont une construction extrêmement utile fournie par presque tous les langages de programmation.

Nous avons déjà rencontré plusieurs fonctions, telles que

la fonction sqrt() de NumPy et
la fonction intégrée print()

Dans ce cours, nous allons

traiter les fonctions de manière systématique et couvrir la syntaxe et les cas d’usage, et
apprendre à construire nos propres fonctions définies par l’utilisateur.

Nous utiliserons les importations suivantes.

import numpy as np
import matplotlib.pyplot as plt

4.2. Les bases des fonctions#

Une fonction est une section nommée d’un programme qui implémente une tâche spécifique.

De nombreuses fonctions existent déjà et nous pouvons les utiliser telles quelles.

Nous passerons d’abord en revue ces fonctions, puis nous discuterons de la façon dont nous pouvons construire les nôtres.

4.2.1. Fonctions intégrées#

Python possède un certain nombre de fonctions intégrées qui sont disponibles sans import.

Nous en avons déjà rencontré quelques-unes

max(19, 20)

print('foobar')

foobar

str(22)

'22'

type(22)

int

La liste complète des fonctions intégrées de Python se trouve ici.

4.2.2. Fonctions tierces#

Si les fonctions intégrées ne couvrent pas nos besoins, nous devons soit importer des fonctions, soit créer les nôtres.

Des exemples d’importation et d’utilisation de fonctions ont été donnés dans le cours précédent

En voici un autre, qui teste si une année donnée est bissextile :

import calendar
calendar.isleap(2024)

True

4.3. Définir des fonctions#

Dans de nombreux cas, il est utile de pouvoir définir nos propres fonctions.

Commençons par discuter de la façon de procéder.

4.3.1. Syntaxe de base#

Voici une fonction Python très simple, qui implémente la fonction mathématique \(f(x) = 2 x + 1\)

def f(x):
    return 2 * x + 1

Maintenant que nous avons défini cette fonction, appelons-la et vérifions si elle fait ce que nous attendons :

f(1)   

f(10)

Voici une fonction plus longue, qui calcule la valeur absolue d’un nombre donné.

(Une telle fonction existe déjà en tant que fonction intégrée, mais écrivons la nôtre pour l’exercice.)

def new_abs_function(x):
    if x < 0:
        abs_value = -x
    else:
        abs_value = x
    return abs_value

Passons en revue la syntaxe ici.

def est un mot-clé Python utilisé pour commencer les définitions de fonctions.
def new_abs_function(x): indique que la fonction s’appelle new_abs_function et qu’elle possède un seul argument x.
Le code indenté est un bloc de code appelé le corps de la fonction.
Le mot-clé return indique que abs_value est l’objet qui doit être renvoyé au code appelant.

Toute cette définition de fonction est lue par l’interpréteur Python et stockée en mémoire.

Appelons-la pour vérifier qu’elle fonctionne :

print(new_abs_function(3))
print(new_abs_function(-3))

3
3

Notez qu’une fonction peut avoir un nombre arbitraire d’instructions return (y compris zéro).

L’exécution de la fonction se termine dès que le premier return est atteint, ce qui permet un code comme dans l’exemple suivant

def f(x):
    if x < 0:
        return 'negative'
    return 'nonnegative'

(Écrire des fonctions avec plusieurs instructions return est généralement déconseillé, car cela peut rendre la logique difficile à suivre.)

Les fonctions sans instruction return renvoient automatiquement l’objet Python spécial None.

4.3.2. Arguments par mot-clé#

Dans un cours précédent, vous avez rencontré l’instruction

plt.plot(x, 'b-', label="white noise")

Dans cet appel à la fonction plot de Matplotlib, remarquez que le dernier argument est passé avec la syntaxe name=argument.

C’est ce qu’on appelle un argument par mot-clé, avec label comme mot-clé.

Les arguments non-mot-clé sont appelés arguments positionnels, car leur signification est déterminée par l’ordre

plot(x, 'b-') diffère de plot('b-', x)

Les arguments par mot-clé sont particulièrement utiles lorsqu’une fonction possède beaucoup d’arguments, auquel cas il est difficile de se souvenir du bon ordre.

Vous pouvez adopter les arguments par mot-clé dans les fonctions définies par l’utilisateur sans aucune difficulté.

L’exemple suivant illustre la syntaxe

def f(x, a=1, b=1):
    return a + b * x

Les valeurs des arguments par mot-clé que nous avons fournies dans la définition de f deviennent les valeurs par défaut

f(2)

Elles peuvent être modifiées comme suit

f(2, a=4, b=5)

4.3.3. La flexibilité des fonctions Python#

Comme nous en avons discuté dans le cours précédent, les fonctions Python sont très flexibles.

En particulier

N’importe quel nombre de fonctions peut être défini dans un fichier donné.
Les fonctions peuvent être (et sont souvent) définies à l’intérieur d’autres fonctions.
N’importe quel objet peut être passé à une fonction comme argument, y compris d’autres fonctions.
Une fonction peut renvoyer n’importe quel type d’objet, y compris des fonctions.

Nous donnerons des exemples montrant à quel point il est simple de passer une fonction à une fonction dans les sections suivantes.

4.3.4. Fonctions en une ligne : `lambda`#

Le mot-clé lambda est utilisé pour créer des fonctions simples sur une seule ligne.

Par exemple, les définitions

def f(x):
    return x**3

f = lambda x: x**3

sont entièrement équivalentes.

Pour comprendre pourquoi lambda est utile, supposons que nous voulions calculer \(\int_0^2 x^3 dx\) (et que nous ayons oublié notre calcul infinitésimal du lycée).

La bibliothèque SciPy possède une fonction appelée quad qui effectuera ce calcul pour nous.

La syntaxe de la fonction quad est quad(f, a, b) où f est une fonction et a et b sont des nombres.

Pour créer la fonction \(f(x) = x^3\) nous pouvons utiliser lambda comme suit

from scipy.integrate import quad

quad(lambda x: x**3, 0, 2)

(4.0, 4.440892098500626e-14)

Ici, la fonction créée par lambda est dite anonyme car elle n’a jamais reçu de nom.

4.3.5. Pourquoi écrire des fonctions ?#

Les fonctions définies par l’utilisateur sont importantes pour améliorer la clarté de votre code en

séparant les différents fils de la logique
facilitant la réutilisation du code

(Écrire deux fois la même chose est presque toujours une mauvaise idée)

Nous en dirons plus à ce sujet plus tard.

4.4. Applications#

4.4.1. Tirages aléatoires#

Considérons à nouveau ce code du cours précédent

rng = np.random.default_rng()

ts_length = 100
ϵ_values = []   # liste vide

for i in range(ts_length):
    e = rng.standard_normal()
    ϵ_values.append(e)

plt.plot(ϵ_values)
plt.show()

_images/caeaa69ca2e863d8543105552b328235956c095ee25a1489ea65d5f5035ca501.png

Nous allons décomposer ce programme en deux parties :

Une fonction définie par l’utilisateur qui génère une liste de variables aléatoires.
La partie principale du programme qui
1. appelle cette fonction pour obtenir des données
2. trace les données

Ceci est réalisé dans le programme suivant

def generate_data(n):
    ϵ_values = []
    for i in range(n):
        e = rng.standard_normal()
        ϵ_values.append(e)
    return ϵ_values

data = generate_data(100)
plt.plot(data)
plt.show()

_images/b69135abbaecf10b7d125ffea90c9f7a922b167739a8341ae0fa2f782014e238.png

Lorsque l’interpréteur atteint l’expression generate_data(100), il exécute le corps de la fonction avec n fixé à 100.

Le résultat net est que le nom data est lié à la liste ϵ_values renvoyée par la fonction.

4.4.2. Ajouter des conditions#

Notre fonction generate_data() est plutôt limitée.

Rendons-la légèrement plus utile en lui donnant la capacité de renvoyer soit des lois normales centrées réduites, soit des variables aléatoires uniformes sur \((0, 1)\) selon les besoins.

Ceci est réalisé dans le morceau de code suivant.

def generate_data(n, generator_type):
    ϵ_values = []
    for i in range(n):
        if generator_type == 'U':
            e = rng.uniform(0, 1)
        else:
            e = rng.standard_normal()
        ϵ_values.append(e)
    return ϵ_values

data = generate_data(100, 'U')
plt.plot(data)
plt.show()

_images/7f0f68b35c89bcecc4debd4116ca92d1403453ce147a389ef7340cc282f0804e.png

Espérons que la syntaxe de la clause if/else soit explicite, l’indentation délimitant à nouveau l’étendue des blocs de code.

Notes

Nous passons l’argument U sous forme de chaîne de caractères, c’est pourquoi nous l’écrivons 'U'.
Remarquez que l’égalité est testée avec la syntaxe ==, et non =.
- Par exemple, l’instruction a = 10 assigne le nom a à la valeur 10.
- L’expression a == 10 s’évalue à True ou False, selon la valeur de a.

Maintenant, il existe plusieurs façons de simplifier le code ci-dessus.

Par exemple, nous pouvons nous débarrasser complètement des conditions en passant simplement le type de générateur souhaité sous forme de fonction, de méthode, ou d’un autre objet appelable.

Pour comprendre cela, considérons la version suivante.

def generate_data(n, generator_type):
    ϵ_values = []
    for i in range(n):
        e = generator_type()
        ϵ_values.append(e)
    return ϵ_values

data = generate_data(100, rng.uniform)
plt.plot(data)
plt.show()

_images/703110cd86c3f8774db63ebdbecfbab1ff088f639b1a3f2870b1ee185040f7d0.png

Maintenant, lorsque nous appelons la fonction generate_data(), nous passons rng.uniform comme deuxième argument.

Cet objet est un appelable — c’est-à-dire un objet qui peut être appelé en utilisant des parenthèses.

Lorsque l’appel de fonction generate_data(100, rng.uniform) est exécuté, Python exécute le bloc de code de la fonction avec n égal à 100 et le nom generator_type « lié » à l’appelable rng.uniform.

Pendant l’exécution de ces lignes, les noms generator_type et rng.uniform sont des « synonymes », et peuvent être utilisés de manière identique.

Ce principe fonctionne de manière plus générale — par exemple, considérons le morceau de code suivant

max(7, 2, 4)   # max() est une fonction Python intégrée

m = max
m(7, 2, 4)

Ici, nous avons créé un autre nom pour la fonction intégrée max(), qui pouvait ensuite être utilisé de manière identique.

Dans le contexte de notre programme, la capacité de lier des noms à des fonctions, ou plus généralement à des objets appelables, signifie qu’il n’y a aucun problème à passer un objet appelable comme argument à un autre appelable — comme nous l’avons fait avec rng.uniform ci-dessus.

4.5. Appels de fonction récursifs (Avancé)#

Ceci est un sujet avancé que vous pouvez ignorer sans problème.

En même temps, c’est une idée élégante que vous devriez apprendre à un moment ou à un autre de votre carrière de programmeur.

Fondamentalement, une fonction récursive est une fonction qui s’appelle elle-même.

Par exemple, considérons le problème du calcul de \(x_t\) pour un certain t lorsque

(4.1)#\[x_{t+1} = 2 x_t, \quad x_0 = 1\]

De toute évidence, la réponse est \(2^t\).

Nous pouvons calculer cela assez facilement avec une boucle

def x_loop(t):
    x = 1
    for i in range(t):
        x = 2 * x
    return x

Nous pouvons aussi utiliser une solution récursive, comme suit

def x(t):
    if t == 0:
        return 1
    else:
        return 2 * x(t-1)

Ce qui se passe ici, c’est que chaque appel successif utilise son propre cadre (frame) dans la pile (stack)

un cadre est l’endroit où sont conservées les variables locales d’un appel de fonction donné
la pile est la mémoire utilisée pour traiter les appels de fonction
- une file d’attente First In Last Out (FILO)

Cet exemple est quelque peu artificiel, car la première solution (itérative) serait généralement préférée à la solution récursive.

Nous rencontrerons plus tard des applications de la récursion moins artificielles.

4.6. Exercices#

Exercice 4.1

Rappelez-vous que \(n!\) se lit « \(n\) factorielle » et est défini comme \(n! = n \times (n - 1) \times \cdots \times 2 \times 1\).

Nous ne considérerons ici \(n\) que comme un entier positif.

Il existe des fonctions pour calculer cela dans divers modules, mais écrivons notre propre version en guise d’exercice.

En particulier, écrivez une fonction factorial telle que factorial(n) renvoie \(n!\) pour tout entier positif \(n\).

Solution

Voici une solution :

def factorial(n):
    k = 1
    for i in range(n):
        k = k * (i + 1)
    return k

factorial(4)

Exercice 4.2

La variable aléatoire binomiale \(Y \sim Bin(n, p)\) représente le nombre de succès dans \(n\) essais binaires, où chaque essai réussit avec probabilité \(p\).

En utilisant rng = np.random.default_rng(), écrivez une fonction binomial_rv telle que binomial_rv(n, p) génère un tirage de \(Y\).

Indication

Si \(U\) est uniforme sur \((0, 1)\) et \(p \in (0,1)\), alors l’expression U < p s’évalue à True avec probabilité \(p\).

Solution

Voici une solution :

rng = np.random.default_rng()

def binomial_rv(n, p):
    count = 0
    for i in range(n):
        U = rng.uniform()
        if U < p:
            count = count + 1    # Ou count += 1
    return count

binomial_rv(10, 0.5)

Exercice 4.3

D’abord, écrivez une fonction qui renvoie une réalisation du dispositif aléatoire suivant

Lancez une pièce non biaisée 10 fois.
Si une face (pile) apparaît k fois ou plus consécutivement dans cette séquence au moins une fois, payez un dollar.
Sinon, ne payez rien.

Ensuite, écrivez une autre fonction qui effectue la même tâche sauf que la deuxième règle du dispositif aléatoire ci-dessus devient

Si une face (pile) apparaît k fois ou plus dans cette séquence, payez un dollar.

Utilisez rng = np.random.default_rng() pour générer des nombres aléatoires.

Solution

Voici une fonction pour le premier dispositif aléatoire.

rng = np.random.default_rng()

def draw(k):  # paie si k succès consécutifs dans une séquence

    payoff = 0
    count = 0

    for i in range(10):
        U = rng.uniform()
        count = count + 1 if U < 0.5 else 0
        print(count)    # affiche les comptes pour plus de clarté
        if count == k:
            payoff = 1

    return payoff

draw(3)

Voici une autre fonction pour le deuxième dispositif aléatoire.

def draw_new(k):  # paie si k succès dans une séquence

    payoff = 0
    count = 0

    for i in range(10):
        U = rng.uniform()
        count = count + ( 1 if U < 0.5 else 0 )
        print(count)
        if count == k:
            payoff = 1

    return payoff

draw_new(3)

4.7. Exercices avancés#

Dans les exercices suivants, nous écrirons ensemble des fonctions récursives.

Exercice 4.4

Les nombres de Fibonacci sont définis par

(4.2)#\[x_{t+1} = x_t + x_{t-1}, \quad x_0 = 0, \; x_1 = 1\]

Les premiers nombres de la suite sont \(0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55\).

Écrivez une fonction pour calculer récursivement le \(t\)-ième nombre de Fibonacci pour tout \(t\).

Solution

Voici la solution standard

def x(t):
    if t == 0:
        return 0
    if t == 1:
        return 1
    else:
        return x(t-1) + x(t-2)

Testons-la

print([x(i) for i in range(10)])

[0, 1, 1, 2, 3, 5, 8, 13, 21, 34]

Exercice 4.5

Réécrivez la fonction factorial() de l”Exercice 1 en utilisant la récursion.

Solution

Voici la solution standard

def recursion_factorial(n):
   if n == 1:
       return n
   else:
       return n * recursion_factorial(n-1)

Testons-la

print([recursion_factorial(i) for i in range(1, 10)])

[1, 2, 6, 24, 120, 720, 5040, 40320, 362880]

4. Fonctions#

4.1. Vue d’ensemble#

4.2. Les bases des fonctions#

4.2.1. Fonctions intégrées#

4.2.2. Fonctions tierces#

4.3. Définir des fonctions#

4.3.1. Syntaxe de base#

4.3.2. Arguments par mot-clé#

4.3.3. La flexibilité des fonctions Python#

4.3.4. Fonctions en une ligne : lambda#

4.3.5. Pourquoi écrire des fonctions ?#

4.4. Applications#

4.4.1. Tirages aléatoires#

4.4.2. Ajouter des conditions#

4.5. Appels de fonction récursifs (Avancé)#

4.6. Exercices#

4.7. Exercices avancés#

4.3.4. Fonctions en une ligne : `lambda`#