چرا scipy
کتابخانه scipy یک نرم افزار open-source برای ریاضیات، علوم و مهندسی در پایتون است. این کتابخانه به کتابخانه NumPy وابسته است ، که امکان دسترسی سریع به آرایه ی N بعدی را فراهم می کند. به عبارت دیگر کتابخانه scipy برای کار با آرایه های کتابخانه NumPy ساخته شده است. بسیاری از کارها و محاسبات روتین کاربرپسند و کارآمد برای اعداد مثل ادغام و بهینه سازی اعداد را فراهم می کند. همچنین این کتابخانه شامل ابزارهایی مثل Matplotlib، pandas و SymPy و مجموعه گسترده ای از کتابخانه های محاسبات علمی است. روی تمام سیتم عامل های محبوب به سرعت و رایگان نصب و اجرا می شود. اگر نیاز دارید که اعداد را در کامپیوتر شخصی خود دستکاری کنید و نتایج را نمایش داده یا منتشر کنید از scipy استفاده کنید.
تاریخچه scipy :
در سال 1990 پایتون شامل یک نوع آرایه برای محاسبات عددی به نام Numeric شد. از سال 2000 تعداد ماژول های افزایشی و فزاینده ای برای ایجاد محیط کاملی برای محاسبات علمی و فنی به وجود آمد. در سال 2001 Travis Oliphant، Eric Jones, و Pearu Peterson کدهای خود را ادغام کردند و پکیج ایجاد شده را scipy نامیدند. بسته ی ایجاد شده مجموعه استانداردی از عملیات عددی رایج را در بالای ساختار آرایه عددی ارائه می دهد.
نصب
برای نصب کتابخانه به این صفحه مراجعه فرمایید.
کاربردها scipy :
- بهینه سازی
- جبر خطی
- ادغام
- درون یابی
- توابع خاص
- پردازش سیگنال و تصویر
- حل کننده های ODE
- FFT
پروژه هایی که بر مبنای کتابخانه scipy ساخته شده اند:
- Inkscape : یک ویرایگر گرافیکی بردار است.
- PyPedal : ابزاری برای تجزیه و تحلیل پرونده های ژنتیکی است.
- PanelCheck : ابزاری است که به کاربر امکان کنترل پنل های حسی با عملکرد های مختلف را می دهد.
- PyMC : یک ماژول پایتون است که الگوریتم Metropolis-Hastings را به عنوان کلاس پایتون پیاده سازی می کند. بسیار انعطاف پذیر است و برای مجموعه گسترده ای از مشکلات کاربرد دارد.
محیط اجرا
قابل نصب و اجرا در سیستم عامل های Windows، OSX و Linux
لیست مسائلی که از scipy استفاده می کنند:
- الگوریتم های خوشه بندی
- ثابت های ریاضی و فیزیک
- تبدیل سریع
- حل مسائل و معادلات دیفرانسیلی معمولی
- درون یابی با درهم آمیختگی و صاف کردن خط
- ورودی و خروجی (io)
- جبر خطی
- پردازش تصویر n بعدی
- رگرسیون فاصله متعامد
- بهینه سازی و ریشه یابی
- پردازش سیگنال
- حل ماتریس های پراکنده و روند مرتبط با آن
- ساختار و الگوریتم داده های فضایی
- توابع خاص
- توزیع عملکرد آماری
ویژگی های scipy:
- Open-source
- ساده و سریع
- دستورالعمل و کلاس های سطح بالا برای تجسم و دستکاری داده ها
- کلاس ها، web و پایگاه داده برای برنامه نویسی موازی
- ارتباط قدرتمند و تعاملی با پایتون
روند بهبود کتابخانه scipy تا به امروز:
به طور کلی از سال 2001 که کتابخانه scipy منتشر شده است به یک استاندارد علمی برای اعمال الگوریتم های علمی در پایتون تبدیل شده است. بیش از 600 کد مشارکتی منحصر به فرد، هزاران پکیج وابسته، بیش از 100000 مخزن وابسته مثل GitHub و میلیون ها دانلود در هر سال نشان دهنده اهمیت این کتابخانه است.
به عبارت دیگر این کتابخانه مجموعه ای از الگوریتم های عددی و دامنه گسترده ای از جعبه ابزارهای از جمله پردازش سیگنال، بهینه سازی، آمار و موارد دیگر است. محیط scipy شامل ابزار های عمومی و تخصصی برای مدیریت داده ها و محاسبه، آزمایش تولیدی و محاسبات با کارایی بالا است.