Программирование массивов с использованием NumPy
Array programming with NumPy
2020-09-16
SCID: 54.1/j8rv9mjv
Discuss with AI
NumPyинтероперабельность массивовмассивное программированиемногомерные массивынаучная экосистема Python
Figures from the paper
Abstract (AI)
Программирование массивов предоставляет мощный, компактный и выразительный синтаксис для доступа к данным, их обработки и выполнения операций над ними в векторах, матрицах и массивах более высокой размерности. NumPy — основная библиотека программирования массивов для языка Python. Она играет важнейшую роль в исследовательских аналитических конвейерах в самых разных областях, включая физику, химию, астрономию, науки о Земле, биологию, психологию, материаловедение, инженерное дело, финансы и экономику. Например, в астрономии NumPy была важной частью программного стека, использованного при открытии гравитационных волн 1 и получении первого изображения чёрной дыры 2. В этой статье рассматривается, как несколько фундаментальных концепций массивов формируют простую и мощную парадигму программирования для организации, исследования и анализа научных данных. NumPy является основой, на которой построена экосистема научных вычислений на Python. Библиотека настолько широко распространена, что несколько проектов, ориентированных на пользователей со специализированными потребностями, разработали собственные интерфейсы и объекты массивов, подобные NumPy. Благодаря своему центральному положению в экосистеме NumPy всё чаще выступает в качестве уровня интероперабельности между такими библиотеками вычислений над массивами и вместе со своим программным интерфейсом приложения (API) предоставляет гибкую платформу для поддержки научного и промышленного анализа в течение следующего десятилетия.
Key Findings
1
Программирование массивов обеспечивает компактную и выразительную парадигму для доступа к векторам, матрицам и многомерным научным данным, их обработки и анализа.
2
NumPy служит основой научной экосистемы Python, поддерживая универсальные рабочие процессы организации, исследования и анализа научных данных.
3
NumPy участвовал в создании программного стека для важных научных достижений, включая обнаружение гравитационных волн и первую визуализацию чёрной дыры.
4
NumPy всё чаще выполняет роль слоя совместимости между специализированными библиотеками вычислений над массивами, а его API обеспечивает гибкую основу для будущего научного и промышленного анализа.
5
NumPy является основной библиотекой программирования массивов для Python и широко используется в физике, химии, астрономии, биологии, инженерии, финансах и экономике.
Research Object
Библиотека программирования массивов NumPy для языка Python
Research Subject
Фундаментальные концепции работы с массивами, выразительные возможности манипулирования данными, роль NumPy в экосистеме и обеспечиваемая им интероперабельность
Publication Details
Publication Date
2020-09-16
Journal
Publisher
ISSN
Cited by
30257
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai8
Scikit-learn: машинное обучение на Python2012
SciPy 1.0: фундаментальные алгоритмы для научных вычислений на языке Python2020
PyTorch: библиотека глубокого обучения с императивным стилем программирования и высокой производительностью2019
Наблюдение гравитационных волн от слияния двойной системы чёрных дыр2016
Astropy: коллективно разрабатываемый пакет Python для астрономии2013
Структуры данных для статистических вычислений в Python2010
Проект Astropy: создание проекта с открытым исходным кодом и состояние базового пакета версии 2.0*2018
Biopython: свободно доступные инструменты Python для вычислительной молекулярной биологии и биоинформатики2009
Работы, цитирующие эту статью20
Высокоточное предсказание структуры белков с помощью AlphaFold2021
AutoDock Vina 1.2.0: новые методы докинга, расширенное силовое поле и привязки Python2021
Gaia: Ранний выпусκ третьего датасета (EDR3)2020
GWTC-2: Слияния компактных двойных систем, зарегистрированные LIGO и Virgo в первой половине третьего наблюдательного периода2021
GWTC-3: Слияния компактных двойных систем, зарегистрированные LIGO и Virgo во второй части третьего наблюдательного периода2023
Искусственный интеллект: мощная парадигма для научных исследований2021
Поиск изотропного фона гравитационных волн с помощью парксской системы синхронизации пульсаров2023
DeePMD-kit v2: программный пакет для моделей глубокого потенциала2023
Автономное биомедицинское исследование с использованием агента искусственного интеллекта2026
Достижения и проблемы машинного обучения: всесторонний обзор моделей, библиотек, приложений и алгоритмов2023
Единая генеалогия современных и древних геномов2022
INSTANCE — итальянский сейсмический набор данных для машинного обучения2021
Показатели эффективности для раскрытия потенциала лабораторий с автономным управлением в химии и материаловедении2024
TCR-BERT: изучение «грамматики» T-клеточных рецепторов для гибкого анализа связывания антигенов2021
Гибридный подход на основе машинного обучения для прогнозирования региоселективности бори́лирования аренов, катализируемого иридием2023
BioMaster: мультиагентная система для автоматизированного рабочего процесса биоинформатического анализа2026
Обзор континуума Rapid ASKAP (RACS) VI: изображения и каталог RACS-high на частоте 1655,5 МГц2025
Точное предсказание межмолекулярных взаимодействий трёх тел с помощью машинного обучения на основе электронной деформационной плотности2023
Крайоскоп: криогенный инфракрасный обзорный телескоп в Антарктиде2025
Противоположные взаимодействия с разной дальностью действия создают сложные пространственные паттерны антибиотиковой толерантности в мультивидовых биопленках2026