Notes de cours Python scientifique

Plutôt que de connaître toutes les fonctions dans Numpy et Scipy, c'est important de trouver rapidement l'information à travers la documentation et l'aide disponibles. Voici quelques astuces pour obtenir de l'information.

• Avec IPython, help function ouvre la docstring de la fonction. Tapez seulement le début du nom de la fonction et utilisez la complétion avec la touche de tabulation <tab> pour afficher les fonctions correspondantes.

In [204]: help np.v
np.vander     np.vdot       np.version    np.void0      np.vstack
np.var        np.vectorize  np.void       np.vsplit

In [204]: help np.vander

Dans IPython, il n'est pas possible d'ouvrir une fenêtre séparée pour l'aide et la documentation. Toutefois, vous pouvez toujours ouvrir un second shell Ipython pour afficher l'aide et les docstrings.

• La documentation de Numpy et de Scipy peut être consultée en ligne à l'adresse http://docs.scipy.org/doc. Le bouton de recherche est très utile dans la documentation de référence des deux paquets (http://docs.scipy.org/doc/numpy/reference/ et http://docs.scipy.org/doc/scipy/reference/).

Des tutoriels sur divers sujets ainsi que l'API complète avec toutes les docstrings se trouvent sur ce site.

• La documentation de Numpy et Scipy est enrichie et mise à jour régulièrement par les utilisateurs du wiki, http://docs.scipy.org/numpy/. De ce fait, certaines docstrings sont plus claires ou plus détaillées sur le wiki et vous pouvez directement lire la documentation sur le wiki au lieu de le faire sur le site officiel. Notez que n'importe qui peut créer un compte sur le wiki et contribuer à la rédaction de la documentation. C'est un moyen simple de contribuer à un projet open source et d'améliorer les outils que vous utilisez !

  

• Le livre de recettes Scipy (http://www.scipy.org/Cookbook) donne des instructions sur plusieurs problèmes communs rencontrés, tels que les ajustements de courbes, la résolution d'équations différentielles ordinaires (ODE), etc.

• Le site web de Matplotlib (http://matplotlib.sourceforge.net/) abrite une galerie très agréable avec un grand nombre de graphiques, chacun d'entre eux montrant à la fois le code source et le résultat graphique. Cela est très utile pour apprendre à l'aide d'exemples. La documentation standard est aussi disponible.

  

• Le site web Mayavi (http://code.enthought.com/projects/mayavi/) a aussi une très belle galerie d'exemples (http://docs.enthought.com/mayavi/mayavi/auto/examples.html) dans laquelle on peut naviguer pour visualiser différentes solutions.

Enfin, deux autres possibilités « techniques » sont également utiles :

• dans Ipython, la fonction magique &psearch permet de trouver des correspondances ; elle est très utile si, par exemple, on ne connaît pas le nom exact d'une fonction :

In [3]: import numpy as np
In [4]: %psearch np.diag*
np.diag
np.diagflat
np.diagonal

• numpy.lookfor recherche des mots-clés à l'intérieur des docstrings des modules spécifiés :

In [45]: numpy.lookfor('convolution')
Search results for 'convolution'
--------------------------------
numpy.convolve
    Returns the discrete, linear convolution of two one-dimensional
sequences.
numpy.bartlett
    Return the Bartlett window.
numpy.correlate
    Discrete, linear correlation of two 1-dimensional sequences.
In [46]: numpy.lookfor('remove', module='os')
Search results for 'remove'
---------------------------
os.remove
    remove(path)
os.removedirs
    removedirs(path)
os.rmdir
    rmdir(path)
os.unlink
    unlink(path)
os.walk
    Directory tree generator.

Si toutes les solutions énumérées ci-dessus échouent (et que Google n'a pas la réponse)… ne désespérez pas ! Écrivez à la bonne liste de diffusion pour exposer votre problème ; vous devriez avoir une réponse rapide si vous le décrivez correctement. Les experts en « Python scientifique » donnent souvent des explications très pertinentes sur la liste de diffusion.

• Discussion Numpy () : tout sur les tableaux Numpy, les manipulations, les questions d'indexation, etc.
• Liste des utilisateurs Scipy () : le calcul scientifique avec Python, le traitement de données de haut niveau, en particulier avec le paquet scipy.
• pour tracer avec matplotlib.

Merci aux personnes suivantes pour leur aide durant la traduction :

• s0h3ck
• deusyss
• f-leb

Commentez