Petites remarques sur ton code:
– .reshape(len(item),1) peut être remplacé par .reshape(-1,1) (la dimension avec -1 contient tout ce qui’ n’est pas rentré dans le reste)
– dans le try depth aura une taille de (len(item),1) alors que dans le except depth n’aura pas de dimension, c’est un scalaire.
– Pour rajouter une dimension, faire comme tu as fait fonctionne mais c’est moche. Tu peux soit faire buffer = buffer.reshape(1, -1), soit buffer = buffer[np.newaxis, :] (np.newaxis est en fait égal à None, c’est juste une écriture plus explicite)
– Au final je pense que tu peux utiliser np.concatenate plutôt que np.hstack pour que ça concatène dans la bonne dimension. Ça devrait même pouvoir remplacer tout ton code.

Numpy c’est pas de la bouse (même si y’a des défauts), il faut juste savoir l’utiliser. Si t’as pas peur de l’anglais, http://wiki.scipy.org/Tentative_NumPy_Tutorial couvre bien les bases.

# item = np.array de taille n lignes par 4 colonnes;
# on veut récupérer la quatrième colonne 'depth' et 
# l'ajouter à un buffer
        
# get item depth and reshape it
try:
  depth = item[:,3].reshape(len(item),1)
except IndexError:
  depth = item[3]

# give buffer a supplementary dimension if needed
if len(buffer.shape) == 1:
  buffer= np.array([buffer]) # ce truc m'a gavé

result = np.hstack((buffer, depth))

here it is: https://ivulab.asu.edu/software/quality/cpbd

je te remercie grandement mais quelqu’un s’en est déjà occupé ;) . Le cher Kontre qui rôde souvent sur le blog ^^
Si toutefois tu veux quand même jetter un oeil ne serait-ce que pour la beauté du sport demande moi ;)
ça parle d’image processing, détection de la nettetée d’une image pour être précis.

A ce propos je cherche un kador en matlab qui serait passé du côté obscur du python (numpy/opencv) pour porter un ptit bout de code (à vue de nez une centaine de lignes)

à vot bon coeur msieux dames…

Cet article est très bien, mais dites-vous bien qu’il effleure à peine la surface… Ce qui m’amène à ma remarque: la doc numpy est plutôt bien fichue (et bien mieux que matplotlib) mais il y a un paquet de fonctions, ce qui rend la lib difficile à aborder. Un point de départ pas mal est http://wiki.scipy.org/Tentative_NumPy_Tutorial (en anglais). C’est gros, mais ça présente juste la base. Dites vous que je ressens la même chose quand vous parlez de django ;)

Il n’y a pas vraiment d’intérêt à un tuto sur scipy, c’est principalement un ensemble de fonction qui vient compléter numpy. Perso je m’en sers très très rarement, alors que import numpy as np (cete manière d’importer est aussi standard que le pep8) est de base dans mes scripts avec les imports de __future__.

J’aurais plein de trucs à raconter, mais pour finir je dirais que sous windows les gens utilisent en général des distributions python scientifiques parce que c’est la merde à compiler à la main. Il existe principalement python(x,y) (la meilleure à mon sens mais que en 32 bits), WinPython (portable, vous pouvez l’installer sur une clé usb) et Anaconda.
Sous Linux 99% des paquets sont dans les dépôts, le reste c’est pip.

N’hésitez pas à poser des questions !