Topp 10 beste matematikkbiblioteker for Python

Mange ganger, når du skriver programmer, må du bruke spesielle funksjoner som andre har brukt før deg. Når dette skjer, kommer åpen kildekode til unnsetning og gir deg et bibliotek som dekker det som trenger. Python kaller deres moduler for å bruke moduler du må importere dem.Moduler for matematikk er spesielt nyttige når du har teorien klar, men trenger å bruke standard matematikk for ditt spesielle problem. Matematikkmodulen i Python Standard Library har mange funksjoner. Det er nyttig å sjekke om du enkelt kan løse problemet ditt med disse funksjonene. Hvis du trenger å vite hvilke funksjoner som eksisterer, må du gå gjennom listen. Imidlertid innså først at modulen implementerer alle C -standardfunksjonene.

Den enkleste bruken av Python for matematikk er som kalkulator. For å gjøre dette, start Python på terminalen og bruk utskriftsfunksjonen.

Den enkle matematikk er tilgjengelig uten engang å aktivere matemodulen, men utover tillegg, subtraksjon, inndeling og multiplikasjon du trenger for å importere matemodulen. For å gjøre koden kort, importere som 'M'. Nå legger du M og en prikk foran alle funksjoner du bruker. Dette fungerer det samme for alle moduler i Python. Hvis du vil bruke komplekse tall, bruk CMATH -modulen.

For funksjoner utover det, nedenfor er noen biblioteker spesialisert for visse behov.

1. Numpy -bibliotekene håndterer de matematiske funksjonene for matriser. Å lage matriser av alle typer er mulig og optimalisering i minnet støttes også. Den n-dimensjonale matrisen er fullstendig dekket. Funksjoner som bibliotekhåndtakene inkluderer iterasjon, Fourier transfom, lineær algebra og økonomiske funksjoner. Dette biblioteket implementerer også en C-API, slik at du kan bruke hastigheten på C uten å oversette hele prosjektet.

2. Scipy er en samling av vitenskapsrelatert programvare, med matematiske oppgaver i senteret. Hvis du trenger å beregne noe, er dette et bra sted å starte. Samlingen inkluderer integrasjon, optimalisering og sparsomme egenverdier.

3. Scikit-Image er en flott ressurs for å manipulere og analysere bilder. Biblioteket har funksjoner for å oppdage linjer, kanter og funksjoner. Den har også restaureringsfunksjoner, for når du har bilder med feil på dem. Det er også mange analyseverktøy tilgjengelig.

4. Scikit-learning er nyttig for å få maskinlæringskode sammen. Den inneholder moduler for klassifisering, regresjon, gruppering og mer. Nettsiden er full av nyttige eksempler slik at du enkelt kan komme i gang.

5. Pandas er din goto -ressurs for big datasett å gjøre datavitenskapen din på. Pandas støtter dataanalyse og modellering og gjør det med enkel og klar kode. Mange funksjoner kan oversettes fra R, slik at du kan prototype med pandaer.

6. Statsmodels dekker dine behov for statistiske modeller. Dette biblioteket håndterer mange lignende ting som Panda, men kan også importere SATA -filer og håndtere tidsserieanalyse. Det er en sandkasse inkludert der du kan eksperimentere med forskjellige statistiske modeller. Den aktuelle koden er ikke testet ennå, men kanskje er den nær nok for deg å fullføre jobben.

7. Matplotlib: For å plotte grafene dine, inkluderer animerte tomter.
   De tidligere bibliotekene er flotte for matematikken, men de har bevisst holdt seg unna å plotte. I stedet lar de biblioteker som matplotlib håndtere disse
   Dette har gjort matplotlib omfattende, og det har også mange støttende programvare som dekker kartlegging, plotting og elektronisk kretsdesign.

8. Gnuplot.PY er en grensesnittpakke til det populære gnuplot -programmet. Den har et objektorientert design, slik at du kan legge til dine egne utvidelser.

9. Patsy beskriver statistiske modeller i alle dens former. Den har også mange funksjoner som er vanlige i R, men med små forskjeller, som hvordan man kan betegne eksponentiering. Patsy vil bygge matriser ved hjelp av formler, veldig lik måten det gjøres i S og R.

10. Sympy: Når du vil skrive ut dine matematiske formler, bruker du dette biblioteket. Det har også muligheten til å evaluere uttrykk. Det er veldig nyttig for å lage formler i latexdokumentene dine. Du kan til og med kjøre Sympy Live i nettleseren din for å teste den ut.

Nå som du har lært hvilke prosjekter du skal bruke til matematikk, vil du snart være kort for å behandle kraft. Å avhjelpe denne situasjonen parallell utførelse er den vanligste løsningen. Det er flere Python -biblioteker for dette formålet.

MPI4PY -biblioteket gir bindinger til standardmeldingsgrensesnittet. Du må laste ned et standard parallellbibliotek som MPICH eller OpenMPI. Begge er tilgjengelige i standard depoter.

Det andre biblioteket er parallelt pyton eller pp. Parallell Python oppretter en server og mange klienter som tar jobber fra serveren din. Dette prosjektet implementerer ikke en standard, i stedet bruker du serveren og klienten fra denne samme pakken på alle maskinene dine. Dette er enklere på noen måter, men det krever mer når prosjektet ditt blir stort og du trenger andre mennesker for å låne deg for å behandle strøm.

Disse bibliotekene er alle gode i seg selv, men sørg for å velge riktig for dine behov.
Valget er ikke irreversibelt, men vil kreve ganske mye arbeid senere i et prosjekt. Kildekoden din må endres for å bruke et nytt bibliotek og nye feil vil oppstå, så velg med omhu.

Hvis du vil gjøre beregningene dine interaktivt, kan du installere og bruke ipython, da dette er en forbedret versjon av kommandolinjeversjonen av Python. Hvis du ikke allerede har det, kan du vurdere å bruke Jupyter. Det gir deg notisbok, dokumenter og en kodekonsoll på samme arbeidsområde.

Rammeverket fungerer som en IDE, men er mer rettet mot å utforske problemene og programvaren du utvikler enn tradisjonelle IDE -er.

For mer informasjon, se disse artiklene:

• Hvordan installere Anaconda Python på Ubuntu 18.04 LTS
• Anaconda Python Tutorial
• Topp 10 Python Ides for Ubuntu
• Hvordan installere Jupyter notatbøker på Ubuntu 18.04 LTS