Python in ambiente scientifico

78 Pages·2011·0.17 MB·Italian

Python in ambiente
scientifico
Linguaggi dinamici – A.A. 2010/2011
1
Introduzione
(cid:1) Python nasce come strumento di calcolo
parallelo e distribuito
(cid:1) Numpy
(cid:1) Array e matrici multi-dimensionali, tensori
(cid:1) Scipy
(cid:1) Algoritmi, modelli, statistica, integrazione,
filtraggio, algebra lineare, ottimizzazione
(cid:1) Matplotlib
(cid:1) Funzionalità di plotting
(cid:1) IPython
(cid:1) Shell interattiva in stile MATLAB
Linguaggi dinamici – A.A. 2010/2011
2
Pacchetti software
(cid:1) Questi strumenti sono presenti nelle principali
distribuzioni GNU/Linux sotto forma di
pacchetti software
(cid:1) In sistemi Debian-like
(cid:1) Numpy
(cid:1) sudo apt-get install python-numpy
(cid:1) Scipy
(cid:1) sudo apt-get install python-scipy
(cid:1) Matplotlib
(cid:1) sudo apt-get install python-matplotlib
(cid:1) Ipython
(cid:1) sudo apt-get install ipython
Linguaggi dinamici – A.A. 2010/2011
3
Numpy
Linguaggi dinamici – A.A. 2010/2011
4
Il modulo Numpy
(cid:1) Il metodo universalmente accettato di importare
il pacchetto numpy è il seguente
(cid:1) import numpy as np
(cid:1) Motivazioni
(cid:1) import numpy rende eccessivamente lunghi i
riferimenti ai metodi
(cid:1) from numpy import * rende possibili alcuni
clash sui nomi
Linguaggi dinamici – A.A. 2010/2011
5
Array
(cid:1) L'oggetto più importante del pacchetto numpy è
indubbiamente l'array
(cid:1) Un array è simile ad una lista
(cid:1) Differenze con la lista
(cid:1) Tutti gli elementi dell'array devono essere
dello stesso tipo (tipicamente numerico, ad
esempio int o float)
(cid:1) Gli array sono progettati per essere molto
efficienti sulle grandi dimensioni
Linguaggi dinamici – A.A. 2010/2011
6
Creazione array
(cid:1) Un array viene creato tramite il metodo
costruttore array()
(cid:1) Due argomenti
(cid:1) Una lista contenente i valori
(cid:1) Una specifica del tipo di dato
>>> a = np.array([1, 4, 5, 8], float)
>>> a
array([ 1., 4., 5., 8.])
>>> type(a)
<type 'numpy.ndarray'>
Linguaggi dinamici – A.A. 2010/2011
7
Manipolazione array
(cid:1) La manipolazione di un array è identica a quella
vista per le liste
(cid:1) Slicing
>>> a[:2]
Array([ 1., 4.])
(cid:1) Accesso
>>> a[3]
8.0
(cid:1) Modifica
>>> a[0] = 5.
>>> a
array([ 5., 4., 5., 8.])
Linguaggi dinamici – A.A. 2010/2011
8
Array multidimensionali
(cid:1) Gli array possono essere multidimensionali
(cid:1) Si forniscono molteplici liste di valori
(cid:1) Costruzione di una matrice
>>> a = np.array([[1, 2, 3], [4, 5, 6]], float)
>>> a
array([[ 1., 2., 3.],
[ 4., 5., 6.]])
>>> a = np.array([[1, 2, 3], [4, 5, 6]], float)
>>> a[1,:]
array([ 4., 5., 6.])
>>> a[:,2]
array([ 3., 6.])
>>> a[-1:,-2:]
array([[ 5., 6.]])
Linguaggi dinamici – A.A. 2010/2011
9
Inizializzazione
(cid:1) Gli array possono essere inizializzati in diversi
modi
(cid:1) Uso del metodo range()
>>>a = np.array(range(6), float).reshape((2, 3))
>>> a
array([[ 0., 1., 2.],
[ 3., 4., 5.]])
(cid:1) Uso del metodo arange()
>>> np.arange(5, dtype=float)
array([ 0., 1., 2., 3., 4.])
Linguaggi dinamici – A.A. 2010/2011
10