Numpy. NUMPY ist das grundlegende Paket, das für das wissenschaftliche Computer mit Python benötigt wird.
Jetzt downloaden

Numpy. Ranking & Zusammenfassung

Numpy. Stichworte

Python-Bibliothek Python numerisch Wissenschaftliches rechnen NumPy numerischer Python

Numpy. Beschreibung

NUMPY ist das grundlegende Paket, das für das wissenschaftliche Computer mit Python benötigt wird. NUMPY ist das grundlegende Paket, das für das wissenschaftliche Computing mit Python erforderlich ist. Dieses Paket enthält ein leistungsfähiges N-dimensionales Array-Objekt, anspruchsvolle (Rundfunk-) Funktionen, Werkzeuge zum Integrieren von C / C ++ und FORTRAN-Code und nützlicher linearer Algebra, Fourier-Transformation und Zufallszahl Kapabilitionen Es fügt auch die von NumArray eingeführten Funktionen hinzu und können verwendet werden, um NumArray.Numeric-Benutzer zu ersetzen, sollten den Übergang sehr einfach finden. Es gibt ein Modul (importieren numpy.lib.convertcode --- siehe Convertall und FromFile-Funktionen in diesem Modul), das (meiste) die erforderlichen Änderungen an Ihrem Python-Code erstellen kann, der numerisch verwendet wird, um es mit dem neuen NUMPY zu funktionieren. Benutzer von NumArray müssen derzeit ein bisschen mehr Arbeiten (meist Importänderungen) ausführen, um mit dem neuen System zu arbeiten, da noch niemand ein gleichwertiges Konvertierwert geschrieben hat.Py hier sind einige wichtige Funktionen von "NUMPY": · Weitere Datentypen (alle gängigen C-Datentypen plus komplexen Floats, Boolean, String, Unicode und Void *). · Flexible Datentypen, in denen jedes Array eine andere Elemente aufweisen kann (aber alle Elemente desselben Arrays haben jedoch noch dieselbe Elemente). · Datentypen sind Python-Objekte · Datentypen haben ein Typattribut, das ein Typobject ist, der den Datentyp in eine Hierarchie von Datentypen einfügt. · Benachrichtigte Felder werden intrinsisch auf Arrays unterstützt. Datensatz-Arrays ermöglichen den Zugriff des genannten Feldzugriffs mit Attributen. · Viele weitere Array-Methoden zusätzlich zu funktionellen Kollegen. · Attribute deutlicher von Methoden unterschieden (Attribute sind intrinsische Teile eines Arrays, so dass die Einstellung des Arrays selbst ändert). · Array-Skalare, die alle Datentypen abdecken, die gegebenenfalls von Python-Skalaren erbten. · Arrays können falsch ausgerichtet, ausgetauscht und in der FORTRAN-Reihenfolge im Speicher (Erleichterungen von Speicher-abgebildeten Arrays). · Arrays können leichter aus Textdateien gelesen und aus Puffern erstellt werden. · Arrays können schnell in den Text- und / oder binären Modus in Dateien geschrieben werden. · Arrays, die aus großen Arrays erben, die nicht die Sequenz oder das Pufferprotokoll definieren, und können daher auf 64-Bit-Plattformen sehr groß sein. · Die fantastische Indexierung kann in Arrays unter Verwendung von ganzzahligen Sequenzen und booleschen Masken erfolgen. · Zwangsvorschriften werden für gemischte Skalar- / Array-Vorgänge geändert, sodass die Skalare (alles, was ein 0-dimensionales Array intern erzeugt) den Ausgangstyp in solchen Fällen nicht ermittelt. · Wenn der Zwang erforderlich ist, ist eine temporäre Pufferspeicherzuordnung auf eine benutzerstellbare Größe begrenzt. · Fehler werden über die CHEEE-Floating Point-Status-Flags gehandhabt, und es besteht Flexibilität auf einem pro Funktion / Modul / eingebauter Ebene zur Umgang mit diesen Fehlern. · Man kann eine Fehlerrückruffunktion in Python registrieren, um Fehler zu behandeln, die auf "Anruf" für ihre Fehlerbehandlung eingestellt sind. · Ufunc Reduzieren, sammeln, sammeln und reduzieren können mit einem anderen Typ erfolgen, wenn der Array-Typ, falls gewünscht (ohne das gesamte Array kopieren); · Ufunc-Ausgangsarrays, die eingeleitet werden, können eine andere Art sein als von der Berechnung erwartet. · Beliebige Klassen können über UFuncs (mit __Array_wrap__ und __Array_riority__) übergeben werden. · Ufuncs können problemlos aus Python-Funktionen erstellt werden. · Ufuncs verfügen über Attribute, um ihr Verhalten zu detaillieren, einschließlich einer dynamischen DOC-Zeichenfolge, die automatisch die anrufende Signatur erzeugt. · Mehrere neue UFuncs (FREXP, MODF, LDEXP, Isnan, Isfinite, ISINF, SIGNIT). · Neue Typen können mit dem System registriert werden, damit spezialisierte UFUNC-Loops zur schnellen Unterstützung neuer Typobjekte geschrieben werden können. · C-API erhöht, damit mehr von der Funktionalität von Erweiterungsmodulen verfügbar ist. · C-API-Erweiterung, damit der Array-Struktur-Zugriff über Makros stattfinden kann. · Neue Iteratorobjekte, die für eine einfache Handhabung in C von diskontabuen Arrays erstellt wurden. · Typen haben mehr Funktionen, die ihnen zugeordnet sind (keine Zauberfunktionslisten im C-Code). Jede Funktion ist Teil der Typstruktur. Was ist neu in dieser Version: · Dieses Minor umfasst zahlreiche Fehlerbehebungen, offizielle Python 2.6-Unterstützung und mehrere neue Funktionen wie generalisierte Ufuncs.

Numpy. Zugehörige Software