1. Qu'est-ce que ndarray et pourquoi l'utiliser ?

La bibliothèque ndarray est l'extension standard de l'écosystème Rust pour la manipulation de tableaux multidimensionnels (tenseurs N-dimensionnels). Elle fournit des structures de données puissantes, type-safe et performantes pour le calcul numérique, l'algèbre linéaire, le traitement du signal, l'apprentissage automatique et les calculs scientifiques. Si vous connaissez NumPy en Python, ndarray en est l'équivalent direct dans le monde Rust, avec les avantages d'un typage strict, de l'absence de garbage collector et d'un contrôle fin de la mémoire.

Pourquoi en avez-vous besoin ? Rust ne prend pas en charge nativement les tableaux multidimensionnels avec un nombre arbitraire d'axes. Les vecteurs standards (Vec<T>) et les slices (&[T]) ne permettent de travailler qu'avec des données unidimensionnelles. Pour les tâches nécessitant de l'algèbre matricielle, des convolutions, des opérations tensorielles ou le traitement d'images, une bibliothèque spécialisée est indispensable. ndarray résout ces problèmes en offrant :

• Des tableaux N-dimensionnels typés (ArrayBase) avec un nombre d'axes fixe ou dynamique.
• Un slicing, une indexation et une itération efficaces.
• Des opérations arithmétiques vectorisées (broadcasting).
• Une intégration avec BLAS/LAPACK via ndarray-linalg pour des calculs d'algèbre linéaire haute performance.
• Le support du calcul parallèle via rayon.

Cette bibliothèque est activement utilisée dans des projets comme RustML, Linfa (framework de machine learning), Image (traitement d'images) et bien d'autres. Elle constitue le socle du calcul scientifique en Rust.

2. Installation

Pour installer ndarray, utilisez le gestionnaire de paquets Cargo, fourni avec Rust. Ajoutez la dépendance dans le fichier Cargo.toml de votre projet :

[dependencies]
ndarray = "0.16"

Exécutez ensuite la commande dans votre terminal :

cargo build

Pour l'algèbre linéaire (multiplications matricielles, valeurs propres), ajoutez ndarray-linalg et choisissez un backend BLAS (par exemple, OpenBLAS ou Intel MKL) :

[dependencies]
ndarray = "0.16"
ndarray-linalg = { version = "0.16", features = ["openblas"] }

Pour les itérations parallèles, utilisez ndarray-parallel :

[dependencies]
ndarray = "0.16"
ndarray-parallel = "0.16"

3. Démarrage rapide — un exemple minimal

Créons un tableau unidimensionnel, effectuons une addition élément par élément et affichons le résultat. Enregistrez le code suivant dans le fichier src/main.rs :

use ndarray::Array;

fn main() {
    // Création d'un tableau unidimensionnel de 5 éléments
    let a = Array::from_vec(vec![1, 2, 3, 4, 5]);
    let b = Array::from_vec(vec![10, 20, 30, 40, 50]);

    // Addition élément par élément
    let c = &a + &b;

    println!("a = {:?}", a);
    println!("b = {:?}", b);
    println!("a + b = {:?}", c);
}

Lancez le programme :

cargo run

Sortie :

a = [1, 2, 3, 4, 5], shape=[5], strides=[1], layout=CFcf (0x1)
b = [10, 20, 30, 40, 50], shape=[5], strides=[1], layout=CFcf (0x1)
a + b = [11, 22, 33, 44, 55], shape=[5], strides=[1], layout=CFcf (0x1)

4. Méthodes et fonctions essentielles (au moins 8)

4.1. Array::from_shape_vec

Signature : pub f