Python científico (introducción a numpy y matplotlib))

Python Científico
Python-Madrid
14/04/2011

Cálculo científico
El científico necesita:
-Obtener datos
-Manipularlos y procesarlos
-Visualizar los resultados (y entenderlos!!!)

Cálculo científico, ¿Por qué python?
Python ya tiene muchos ladrillos para construir la casa (no hay que reinventar)
Es algo fácil de aprender
Se necesita código eficiente que ejecute rápido
Con un solo lenguaje se puede hacer prácticamente todo
FLOSS!!!!! (*)
(*) Free/Libre and Open Source Software

Calculo científico, herramientas
Numpy
Scipy
Matplotlib
Mayavi
Ipython
Pythonxy
EPD (Enthoughtpythondistribution $$)
…

Numpy
Numpy amplía las capacidades de python
Calculadora muy eficiente.
Básicamente, nos permite disponer de un nuevo contenedor que es un objeto array multidimensional.
Además dispone de una serie de rutinas que amplían las capacidades permitiendo hacer operaciones rápidas sobre los arrays, reformatearlos, estadística muy básica,...

Numpy
Operaciones elemento a elemento son la forma de trabajar de numpy por defecto
Ejemplo

Numpy
Vectorización, permite no usar bucles, índices,..., de forma explícita (eso sucede entre bambalinas)
Menos líneas de código
Más fácil de leer
El código se parece más a notación matemática
El código es más ‘pythónico’

Numpy
Broadcasting, las operaciones son elemento a elemento
(hay que ver las reglas de broadcasting de numpy con cuidado para entenderlas mejor)
http://www.scipy.org/EricsBroadcastingDoc

Numpy

Numpy
a = arange(10).reshape(2,5)
b = ones((5))
print a, b, a+b
# Si b = ones((6)) Daría error
a = arange(10).reshape(10,1)
b = ones((5)).reshape(1,5)
print a, b, a+b
# Si a o b solo tienen una dimensión y mismo número de elementos dará error

Numpy
Soporta más tipos numéricos que python (bool, int, int8-16-32-64, uint8-16-32-64, float, float8-16-32-64, complex, complex64-128). Los tipos numéricos son instancias de la clase dtype. Para convertir de un tipo de número a otro podemos usar el método .astype() o el tipo como una función. Es preferible usar la primera forma.

Numpy
Como creamos un array con numpy
Convirtiéndolo desde otra estructura de python (listas, tuplas,...)
Funciones numpy (arange, zeros, empty, linspace, random, ogrid, mgrid,...)
Leyendo desde disco (loadtxt, genfromtxt,…)

Numpy
Convirtiéndolo desde otra estructura de python (listas, tuplas,...)
a = [‘1.2’, ‘3.6’]
b = np.array(a).astype(float)
# Si quisiéramos solo la parte entera
c = np.array(a).astype(float).astype(int)

Numpy
Funciones numpy (arange, zeros, empty, linspace, random, ogrid, mgrid,...)
a = np.arange(10)
a = np.zeros((3,4), dtype=int)
a = np.linspace(0,10,100)
…

Numpy
Leyendo desde disco (loadtxt, genfromtxt,…)
a = np.loadtxt(‘./datos/hito.050m0’)
a = np.genfromtxt(‘./datos/hito.050m0’)
# genfromtxt es más general, tiene muchas más opciones de lectura, pero es más lento

Numpy
Indexing
x = np.arange(10).reshape(2,5)
x[1][2] = x[1,2]
x[np.array([0,1]), np.array([0,1])]
# Si el índice está fuera de los límites tendremos error

Numpy
Indexing
Los arrays están ordenados igual que en C, de forma que el índice último es el que cambia más rápidamente la localización en memoria. En fortran o IDL esto es al contrario.
Máscaras o indices booleanos
x[x>5]

Numpy
Valores especiales:
NaN, Inf, -Inf
Y operaciones con/sin ellos
isnan()
isinf()
isfinite()
nan_to_num()
nansum()
nanmax(), nanmin()
nanargmax(), nanargmin()

Numpy
Y muchas cosas más que en conjunción con Scipy lo convierten en una herramienta muy poderosa

Matplotlib
Permite visualizar datos de forma muy rápida
Permite obtener gráficas de calidad para publicaciones

Matplotlib
Lo podemos configurar con nuestras preferencias
En linux se puede configurar el usuario, el sistema
En Win se puede configurar el sistema
Se puede configurar la sesión
>> rcParams
Se puede configurar el script

Matplotlib
El principal submódulo para dibujar es pyplot
importmatplotlib.pyplot as plt
# Con pyplot podemos hacer prácticamente todo de forma sencilla

Matplotlib
Colores:
Se pueden escribir letras que indican colores, nombres de colores, código hexadecimal se puede usar la keywordcolor
plt.plot(x,y, color = ‘blue’)
plt.plot(x,y, ‘b’)
plt.plot(x,y, ‘blue’)
plt.plot(x,y, ‘#FF00FF’)
plt.plot(x,y, color=‘#FF00FF’)

Matplotlib
Marcadores:
Por supuesto, las líneas y marcadores se pueden controlar más finamente con keywords:
Plt.plot(x,color=‘b’,linestyle=‘dashdot’,linewidth=4, marker=‘o’, markerfacecolor=‘red’, markeredgecolor=‘black’, markeredgewidth=4, markersize=12)

Matplotlib
Marcadores:
Aligual que con los colores, hay muchas formas de definir los marcadores.

Matplotlib
Etiquetas para los ejes:
Se controlan mediante xticks e yticks.
plt.plot(range(5))
plt.xticks(range(5),(‘x1’, ’x2’, ’x3’, ’x4’, ’x5’))

Matplotlib
Tipos de gráficos:

Matplotlib
Tipos de gráficos:
Histogramas
y = np.random.randn(1000)
plt.hist(y, 25)
Circulares (quesitos)
aficion = [3000,3000,100]
etiquetas = [‘Madrid’,’Barcelona’,’Getafe’]
plt.pie(aficion, labels = etiquetas)
Scatter (x vs y)
x = arange(1000)
y = np.random.randn(1000)
plt.scatter(x,y)

Matplotlib
Subplots (varios gráficos en el mismo ‘tapiz’):
Subplot(nºfilas,nºcolumnas,orden)
plt.subplot(211)
plt.plot(arange(10)
plt.subplot(212)
plt.scatter(arange(0,10,-1)

Matplotlib
Se puede ampliar:
Basemap (para hacer mapping)
mplot3d (3D)
…

Enlaces y documentación
http://python.g-node.org/python-autumnschool-2010/_media/pythonscientific.pdf
http://docs.scipy.org/doc/numpy/numpy-user.pdf
http://docs.scipy.org/doc/numpy/numpy-ref.pdf
http://docs.scipy.org/doc/scipy/scipy-ref.pdf
http://www.scipy.org/Cookbook
http://matplotlib.sourceforge.net/contents.html
Libro: Matplotlibforpythondevelopers (https://www.packtpub.com/matplotlib-python-development/book)

Python científico (introducción a numpy y matplotlib))

by kikocorreoso on Apr 16, 2011

Accessibility

Categories

Tags

Upload Details

Usage Rights

Statistics

Python científico (introducción a numpy y matplotlib)) — Presentation Transcript