Python для научного программирования?

Question

[Tutufa]

Слышал про библиотеки NumPy, SciPy и Matplotlib, ну как слышал, на википедии прочитал :-) Кто ими пользовался, какие преимущества перед МатЛабом или МатКадом, можно ли обрабатывать большие объемы данных с помощью сложных мат преобразований, и красиво выводить результаты.

Answer 1

[kirushik]

Преимуществе перед мат. пакетами — можно компилировать код, скажем, в тот же дотнет, и это не будет требовать от каждого пользователя покупать и ставить матлаб.

Можно программировать параллельно и для кластера.

Данные обрабатывать можно, но медленновать — я в итоге остановился на Scala, там все плюшки современных языков (скажем, я люблю кортежи), а скорость — практически сиплюсплюсовская.
Python будет раз эдак в 40 помедленнее. Собственно, как и матлаб, каким я его помню. Это заметно ограничивает круг удобно решаемых языком задач.
Для красивого вывода и кучи встроенных научных примитивов та же GnuScienceLibrary (включаяч gnuplot, как его компонент) прибиндены ко всем возможным языкам, насколько я в курсе…

В общем, я использую динамический язык (правда, Ruby, а не Python) для быстрой (без перекомпиляций) отладки алгоритма на малом массиве данных, а потом пишу итоговый вариант на Scala и компилирую в обычный .jar.

Answer 2

[Zubchick]

habrahabr.ru/blogs/python/89538/
www.amazon.com/Beginning-Python-Visualization-Transformation-Professionals/dp/1430218436

Answer 3

[MihailOlenin]

Если судить по моей специлизации (вычислительная механика), то к сожалению, python малопригоден в текущем виде к научным разработкам. У многих ученых есть функции расчета сеток, написанные и проверенные много лет назад. Эти функции написаны даже не на C, а на fortran-е. Как не удивительно, но на нем они считаются бысрее, чем на С. А дальше с помощью обертки на С и MPI задачи считаются на супер-компьютерах.

Переписывать их на другой язык программирования — это неблагодарная задача, так как очень много математики, формул, логики и прочего в этих функциях.

Можно использовать ctypes, но python тогда становится просто удобной управляющей конструкцией. Собственно, библиотеки так и реализуются. Например NumPy.

Comments

[kmike]

в numpy есть библиотека для легкого подключения фортран-кода ( www.scipy.org/F2py ) — теперь понятно, зачем)

[MihailOlenin]

Насколько я помню, она просто делает обертку обычной динамической библиотеки, которую можно подключить и через ctypes

[kmike]

судя по описанию, немного другой подход — даешь ей на вход fortran-файл hello.f и получаешь на выходе питонье расширение hello.so, которое можно импортировать и использовать как import hello. При этом массивы в функции можно передавать как numpy-массивы и тд.

Answer 4

[icc]

Лично для меня плюс python'a, в том, что простенькую задачку можно быстро написать и через Matplotlib построить графики. А что-то сложное научное все таки стоит писать на фортран.

Comments

[sfghelios]

тогда уж на ассемблере, если очень сложное и очень научное

Answer 5

[stampoon]

Смотря какие научные цели, питон — тот еще тормоз, громоздкие вычисления на него сваливать — самоубийство)

Answer 6

[briskly]

По поводу скорости, просто поищите бенчмарки:
stackoverflow.com/questions/7596612/benchmarking-python-vs-c-using-blas-and-numpy