NumPy
A NumPy nyílt forráskódú kiegészítő csomag a Python programozási nyelvhez, mely a nagy méretű, többdimenziós tömbök és mátrixok használatát támogatja magas szintű matematikai függvénykönyvtárral.
Hátrányok szerkesztés
A vektorműveletként ki nem fejezhető algoritmusok általában lassabban futnak le, mert az eredeti Pythonban kell őket végrehajtani, míg a vektorizálás több memóriát igényel (ideiglenes tömböket kell létrehozni, melyek olyan nagyok, mint a bemenet).
Példák szerkesztés
Tömbök létrehozása
>>> import numpy as np
>>> x = np.array([1, 2, 3])
>>> x
array([1, 2, 3])
>>> y = np.arange(10) # mint a Python "range" függvénye, csak egy tömb az eredménye
>>> y
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
Alapvető műveletek
>>> a = np.array([1, 2, 3, 6])
>>> b = np.linspace(0, 2, 4) # egy tömb létrehozása 4 egyenletesen elosztott pontokkal 0-val kezdődően 2-ig.
>>> c = a - b
>>> c
array([1., 1.33333333, 1.66666667, 4.])
>>> a**2
array([1, 4, 9, 36])
Általános függvények
>>> a = np.linspace(-np.pi, np.pi, 100)
>>> b = np.sin(a)
>>> c = np.cos(a)
Lineáris algebra
>>> from numpy.random import rand
>>> from numpy.linalg import solve, inv
>>> a = np.array([[1, 2, 3], [3, 4, 6.7], [5, 9.0, 5]])
>>> a.transpose()
array([[1., 3., 5.],
[2., 4., 9.],
[3., 6.7, 5.]])
>>> inv(a)
array([[-2.27683616, 0.96045198, 0.07909605],
[1.04519774, -0.56497175, 0.1299435],
[0.39548023, 0.05649718, -0.11299435]])
>>> b = np.array([3, 2, 1])
>>> solve(a, b) # ax = b egyenlet megoldása
array([-4.83050847, 2.13559322, 1.18644068])
>>> c = rand(3, 3) # véletlenszerű 3x3-as mátrix létrehozása
>>> c
array([[3.98732789, 2.47702609, 4.71167924],
[9.24410671, 5.5240412 , 10.6468792 ],
[10.38136661, 8.44968437, 15.17639591]])
>>> np.dot(a, c) # mátrix szorzás
array([[3.98732789, 2.47702609, 4.71167924],
[9.24410671, 5.5240412 , 10.6468792],
[10.38136661, 8.44968437, 15.17639591]])
Történet szerkesztés
A Python programozási nyelv eredetileg nem numerikus számításokra volt tervezve, de még a tervezés elején felkeltette a kutató- és mérnökközösség figyelmét. Ezért 1995-ben egy matrix-sig nevű érdekcsoport alakult azzal a céllal, hogy egy tömbszámítási csomagot hozzon létre. A csoport tagjai között volt a Python fő tervezője/fenntartója, Guido van Rossum, aki új függvényeket hozott létre a tömbszámítási feladatok megkönnyítésére.[1]
Később Jim Fulton létrehozott egy hasonló csomagot a mátrixszámításokhoz, melyet Jim Hugunin általánosított. Így jött létre a Numeric (Numerical Python, NumPy).[1][2][3]
Hugunin, az MIT-n végzős diák,[3] 1997-ben csatlakozott a CNRI-hez, hogy a JPythonon dolgozzon.
Ezután a rugalmas Numarray csomag jött létre a Numeric helyett.[2] Mára a Numarray és a Numeric is elavult.[4] A Numarray sokkal gyorsabban dolgozott a nagy tömbökkel, de a Numericnél lassabban a kicsikkel. Ezért egy ideig mind a két csomag használatban volt, és azt alkalmazták, amelyik az adott feladatra gyorsabb volt. A Numeric utolsó változatát (v24.2) 2005. november 11-én, a numarrayét (v1.5.2) pedig 2006. augusztus 24-én adták ki.[5]
Egy ideig az volt a törekvés, hogy a Numeric bekerüljön a Python standard könyvtárai közé, de Guido van Rossum úgy vélte, hogy a kód már nem karbantartható eredeti formájában sem.
2005 elején a NumPy fejlesztője, Travis Oliphant egyesítette a két közösséget, így 2006-ban a Numarray és a Numeric csomagokból – a SciPy projekt részeként – létrejött a NumPy v1.0.[2] Hogy a SciPy csomag ne legyen túl nagy, a NumPy-t külön csomagként adták ki.
Kapcsolódó szócikkek szerkesztés
Jegyzetek szerkesztés
- ↑ a b (2011) „Python for Scientists and Engineers”. Computing in Science and Engineering 13, 9–12. o.
- ↑ a b c Travis Oliphant (2007). „Python for Scientific Computing”. Computing in Science and Engineering. [2013. október 14-i dátummal az eredetiből archiválva]. (Hozzáférés: 2015. január 29.)
- ↑ a b Numerical Python, 1999
- ↑ Numarray Homepage. (Hozzáférés: 2006. június 24.)
- ↑ NumPy Sourceforge Files. (Hozzáférés: 2008. március 24.)