SciPy and NumPy

آیا با SciPy و NumPy تازه کار هستید؟ آیا می خواهید آن را سریع و آسان از طریق مثال ها و یک مقدمه مختصر یاد بگیرید؟ پس این کتاب برای شما است. شما پیچیدگی اسناد آنلاین را کاهش خواهید داد و خواهید فهمید که چگونه به راحتی می توانید با این کتابخانه های پایتون سرعت خود را افزایش دهید.

ایده آل برای تحلیلگران داده و دانشمندان در هر زمینه، این نمای کلی به شما نشان می دهد که چگونه از NumPy برای پردازش عددی، از جمله نمایه سازی آرایه، عملیات ریاضی، و بارگیری و ذخیره داده ها استفاده کنید. شما یاد خواهید گرفت که چگونه SciPy به شما کمک می کند تا با توابع ریاضی پیشرفته مانند بهینه سازی، درون یابی، ادغام، خوشه بندی، آمار و ابزارهای دیگر کار کنید که برنامه نویسی علمی را به سطح جدیدی می برد.

نسخه جدید اکنون در دسترس است، در ژوئن 2013 به طور کامل بازبینی و به روز شده است.

• قابلیت‌های آرایه‌های NumPy، عملیات عنصر به عنصر و عملیات ریاضی هسته را بیاموزید
• مشکلات حداقل سازی را به سرعت با بسته بهینه سازی SciPy حل کنید
• از توابع SciPy برای درون یابی، از موارد تک متغیره ساده تا چند متغیره پیچیده استفاده کنید
• از انواع ابزارهای آماری SciPy مانند توزیع ها و توابع استفاده کنید
• کلاس های تحلیل فضایی و خوشه ای SciPy را بیاموزید
• صرفه جویی در زمان عملیات و استفاده از حافظه با ماتریس های پراکنده

**

Are you new to SciPy and NumPy? Do you want to learn it quickly and easily through examples and a concise introduction? Then this is the book for you. You’ll cut through the complexity of online documentation and discover how easily you can get up to speed with these Python libraries.

Ideal for data analysts and scientists in any field, this overview shows you how to use NumPy for numerical processing, including array indexing, math operations, and loading and saving data. You’ll learn how SciPy helps you work with advanced mathematical functions such as optimization, interpolation, integration, clustering, statistics, and other tools that take scientific programming to a whole new level.

The new edition is now available, fully revised and updated in June 2013.

• Learn the capabilities of NumPy arrays, element-by-element operations, and core mathematical operations
• Solve minimization problems quickly with SciPy’s optimization package
• Use SciPy functions for interpolation, from simple univariate to complex multivariate cases
• Apply a variety of SciPy statistical tools such as distributions and functions
• Learn SciPy’s spatial and cluster analysis classes
• Save operation time and memory usage with sparse matrices

**