Belajar Pemrograman SciPy dan NumPy
#scipyprograming, #numpyPrograming, #BelajarNumpyDanScipy
 |
| Pemrograman SciPy dan NumPy |
Pengertian SciPy dan NumPy
SciPy dan NumPy adalah operasi dasar yang digunakan
dalam ilmu pemrograman termasuk array,
matriks, integrasi, pemecah persamaan
diferensial, statistik, dan banyak masih lagi. Python, secara umum tidak tidak
memiliki fungsi-fungsi tersebut, kecuali beberapa dasar operasi matematika yang
hanya bisa berurusan dengan variabel dan bukan array atau matriks.
NumPy dan SciPy adalah dua paket
Python yang kuat, yang memungkinkan bahasa digunakan lebih efisien untuk tujuan
ilmiah. NumPy mengkhususkan diri dalam
pemrosesan numerik melalui array multi-dimensi, di mana array memungkinkan dapat mengoperasi elemen demi elemen. Jika diperlukan, aljabar linier formalisme dapat
digunakan tanpa memodifikasi NumPy. Selain itu, array dapat
dimodifikasi ukurannya secara dinamis. Ini memunculkan kekhawatiran yang biasanya
membuat pemrograman tersebut lebih cepat dalam bahasa lain. Daripada membuat array baru. Ketika kalian ingin
menyingkirkan elemen-elemen tertentu, kalian disarankan dapat menerapkan penyamaran. SciPy dibangun di atas kerangka
array NumPy, tingkat yang baru menyediakan fungsi pemrogrman matematika di ingkat lanjut seperti integrasi, pemecah persamaan diferensial
biasa, fungsi khusus, pengoptimalan, dan lainnya. Untuk daftar semua fungsi dengan nama
di SciPy akan membutuhkan beberapa halaman minimal. Kapan melihat kebanyakan alat SciPy,
kadang-kadang bisa menakutkan bahkan untuk memutuskan fungsi mana yang terbaik untuk
digunakan.
Bahan Prakek SciPy dan NumPy
Jika kalian ingin mencoba data SciPy
dan NumPy kalian dapat menginstalnya dengan cara :
Untuk Mac
sudo port install py27-numpy py27-scipy py27-ipython
Untuk Debian-based Linux distro
likeUbuntu or LinuxMint
sudo apt-get install python-numpy python-scipy
Untuk Fedora atau OpenSUSE
sudo yum install numpy scipy
Untuk Windows bisa langsung ke
website reminya di
www.scipy.org
Atau bisa juga download di
scipy.github.com and numpy.github.com
