Phenquestions
Den enkleste brug af Python til matematik er som en regnemaskine. For at gøre dette skal du starte Python på terminalen og bruge udskrivningsfunktionen.
Den enkle matematik er tilgængelig uden engang at aktivere matematikmodulet, men ud over addition, subtraktion, division og multiplikation skal du importere matematikmodulet. For at gøre koden kort skal du importere som 'm'. Nu sætter du m og en prik foran de funktioner, du bruger. Dette fungerer det samme for alle moduler i Python. Hvis du vil bruge komplekse tal, skal du bruge cmath-modulet.
For funktioner ud over det er nedenfor nogle biblioteker, der er specialiserede til bestemte behov.
- NumPy-bibliotekerne håndterer de matematiske funktioner til arrays. Oprettelse af arrays af enhver type er mulig, og optimering i hukommelsen understøttes også. Det N-dimensionelle array er fuldt dækket. Funktioner, som biblioteket håndterer inkluderer iteration, Fourier Transfom, lineær algebra og økonomiske funktioner. Dette bibliotek implementerer også en C-API, så du kan bruge hastigheden på C uden at oversætte hele dit projekt.
- SciPy er en samling af videnskabsrelateret software med matematiske opgaver i centrum. Hvis du har brug for at beregne noget, er dette et godt sted at starte. Samlingen inkluderer integration, optimering og sparsomme egenværdier.
- Scikit-image er en fantastisk ressource til manipulation og analyse af billeder. Biblioteket har funktioner til detektering af linjer, kanter og funktioner. Det har også gendannelsesfunktioner, for når du har billeder med mangler på dem. Der er også mange analyseværktøjer til rådighed.
- Scikit-learning er nyttigt til at få maskinlæringskode sammen. Den indeholder moduler til klassificering, regression, klyngedannelse og mere. Websiden er fuld af nyttige eksempler, så du nemt kan komme i gang.
- Pandaer er din goto-ressource til store datasæt, du kan bruge din datavidenskab til. Pandas understøtter dataanalyse og modellering og gør det med enkel og klar kode. Mange funktioner kan oversættes fra R, så du kan prototype med Pandas.
- Statsmodels dækker dine behov for statistiske modeller. Dette bibliotek håndterer mange lignende ting som Panda, men kan også importere Sata-filer og håndtere analyser af tidsserier. Der er en sandkasse inkluderet, hvor du kan eksperimentere med forskellige statistiske modeller. Den bestemte kode er ikke testet endnu, men måske er den tæt nok til, at du kan afslutte jobbet.
- Matplotlib: Til tegning af dine grafer inkluderer animerede plot.
De tidligere biblioteker er gode til matematikken, men de har bevidst holdt sig væk fra at plotte. I stedet lader de biblioteker som matplotlib håndtere disse
Dette har gjort matplotlib omfattende, og det har også mange understøttende software, der dækker kortlægning, plotting og elektronisk kredsløbsdesign.
- Gnuplot.py er en interface-pakke til det populære gnuplot-program. Det har et objektorienteret design, så du kan tilføje dine egne udvidelser.
- Patsy beskriver statistiske modeller i alle dens former. Det har også mange funktioner, der er almindelige i R, men med små forskelle, som hvordan man betegner eksponentiering. Patsy vil bygge matricer ved hjælp af formler, der minder meget om den måde, det gøres i S og R.
- Sympy: Når du vil udskrive dine matematiske formler, bruger du dette bibliotek. Det har også evnen til at evaluere udtryk. Det er meget nyttigt at oprette formler i dine LaTeX-dokumenter. Du kan endda køre Sympy live i din browser for at teste det.
Nu hvor du har lært, hvilke projekter du skal bruge til matematik, vil du snart have manglende processorkraft. At afhjælpe denne situation er parallel udførelse den mest almindelige løsning. Der er flere Python-biblioteker til dette formål.
Mpi4py-biblioteket giver bindinger til standardgrænsefladen til meddelelsesoverføring. Du skal downloade et standard parallelbibliotek som mpich eller openmpi. Begge er tilgængelige i standardopbevaringsstederne.
Det andet bibliotek er parallel python eller pp. Parallel Python opretter en server og mange klienter, der tager job fra din server. Dette projekt implementerer ikke en standard, i stedet bruger du serveren og klienten fra den samme pakke på alle dine maskiner. Dette er på nogle måder enklere, men det kræver mere, når dit projekt bliver stort, og du har brug for andre mennesker til at give dig processorkraft.
Disse biblioteker er alle gode i sig selv, men sørg for at vælge den rigtige til dine behov.
Valget er ikke irreversibelt, men vil kræve en hel del arbejde senere i et projekt. Din kildekode skal ændres for at bruge et nyt bibliotek, og nye fejl vil opstå, så vælg klogt.
Hvis du vil udføre dine beregninger interaktivt, skal du installere og bruge Ipython, da dette er en forbedret version af kommandolinieversionen af Python. Også, hvis du ikke allerede har gjort det, overvej at bruge Jupyter. Det giver dig notesbog, dokumenter og en kodekonsol på samme arbejdsområde.
Rammen fungerer som en IDE, men er mere rettet mod at udforske de problemer og den software, du udvikler, end traditionelle IDE'er.
For mere information se disse artikler:
- Sådan installeres Anaconda Python på Ubuntu 18.04 LTS
- Anaconda Python-vejledning
- Top 10 Python IDE'er til Ubuntu
- Sådan installeres Jupyter Notebooks på Ubuntu 18.04 LTS
